WeedCLR：长尾数据集中通过类优化损失的视觉表示对比学习用于杂草分类
计算机视觉与模式识别
2023-10-20 v1
摘要
图像分类是现代杂草管理和作物干预技术中的关键任务。然而，现有杂草数据集规模小、多样性低且不平衡，阻碍了用于可泛化杂草识别的深度学习模型的发展。此外，主流全监督杂草分类器昂贵的标注需求使其在新杂草物种和定点杂草管理中的广泛部署成本高昂且耗时。本文提出了一种通过视觉表示进行杂草对比学习（WeedCLR）的新方法，该方法在长尾数据集中使用具有深度表示冯·诺依曼熵的类优化损失进行杂草分类。WeedCLR利用自监督学习在无任何标签的情况下学习丰富且鲁棒的视觉特征，并应用类优化损失函数解决长尾数据集中的类不平衡问题。WeedCLR在两个公共杂草数据集上进行了评估：包含15种杂草物种的CottonWeedID15和包含8种杂草物种的DeepWeeds。与先前方法相比，WeedCLR在CottonWeedID15上平均准确率提升4.3%，在DeepWeeds上提升5.6%。它还展现出比现有方法更好的泛化能力和对不同环境条件的鲁棒性，且无需昂贵耗时的人工标注。这些显著改进使WeedCLR成为长尾数据集中杂草分类的有效工具，并允许更快速广泛地部署定点杂草管理和作物干预技术。
引用
@article{arxiv.2310.12465,
title = {WeedCLR: Weed Contrastive Learning through Visual Representations with Class-Optimized Loss in Long-Tailed Datasets},
author = {Alzayat Saleh and Alex Olsen and Jake Wood and Bronson Philippa and Mostafa Rahimi Azghadi},
journal= {arXiv preprint arXiv:2310.12465},
year = {2023}
}
备注
24 pages, 10 figures, 8 tables. Submitted to the Computers and Electronics in Agriculture journal