Ensemble of the Deep Convolutional Network for Multiclass of Plant Disease Classi¯cation Using Leaf Images

论文地址

创新点

提出了一种基于集成学习方法的网络MCPE用于多类植物不同程度的病害分类，该网络通过boost策略集合了四个CNN网络取得了比单一网络更好的性能
使用了一种新的动态relu激活函数
发布了一个新的用于植物病害分类的数据集

思路来源：从[Binary ensemble neural network: More bits per network or
more networks per bit]([1806.07550] Binary Ensemble Neural Network: More Bits per Network or More Networks per Bit? (arxiv.org))文中了解到，单一网络不能胜任多类植物不同程度病害的分类任务。

集成学习：在同一数据集上训练多个网络，然后使用每个训练模型进行预测，然后以某种方式组合预测以得出最终结果。

方法

处理数据不平衡策略：1.对数据集重新采样，对少数类进行过采样对多数类进行欠采样或两者都采用。缺点是会造成数据的丢失。2.[Focal Loss](ICCV 2017 Open Access Repository (thecvf.com))焦点损失通过重新分配不同类别样本的损失权重解决数据不平衡问题，降低易分类样本的损失权重

数据增强：[AutoAugment](CVPR 2019 Open Access Repository (thecvf.com))，一种用于搜索最佳增强策略组合的算法

激活函数：动态relu（通过输入数据确定参数），相比于静态relu增加了较少的计算量，获取了更好的表征能力，动态relu的激活值表示：

其中，k表示函数数目，**θ(x)**由输入X生成，通过SEnet实现

MCPE模型结构

该模型是一个两阶段的方法

第一个阶段：采用AutoAugment的数据增强策略增强数据集，然后一个集成网络对植物种类进行分类。

第二个阶段：对每种植物训练一个疾病分类器，用来分类植物疾病的种类和严重程度。

每一个植物疾病分类器都是由集成网络计算的，这保证了不同植物分类器分类规则的特异性。

EsembleNet

boost strategy

step1：将训练集数据样本权重初始化为1/n

step2：训练第一个CNN模型，计算模型错误率和系数

step3：更新数据集权重，减少易分类样本的权重，增加误分类样本权重，然后一次训练各个CNN模型

step4：每个模型预测测试集

step5：对所有CNN模型的预测结果进行加权和，精度高的增加权重精度低的减少权重

实验结果

Ensemble of the Deep Convolutional Network for Multiclass of Plant Disease Classi¯cation Using Leaf相关推荐

人群密度估计--CrowdNet: A Deep Convolutional Network for Dense Crowd Counting
CrowdNet: A Deep Convolutional Network for Dense Crowd Counting published in the proceedings of ACM ...
【Cascade FPD】《Deep Convolutional Network Cascade for Facial Point Detection》
CVPR-2013 文章目录 1 Background and Motivation 2 Related Work 3 Advantages / Contributions 4 Method 5 Ex ...
(SRCNN)及pytorch实现_Learning a Deep Convolutional Network for Image Super-Resolution——超分辨率（二)
文章目录 Learning a Deep Convolutional Network for Image Super-Resolution 算法简介算法流程 Patch extraction and ...
图像超分辨率之SRCNN（Learning a Deep Convolutional Network for Image Super-Resolution）
论文下载:Learning a Deep Convolutional Network for Image Super-Resolution 代码下载:https://github.com/tegg89 ...
人脸关键点: DCNN-Deep Convolutional Network Cascade for Facial Point Detection
近期学习关键点检测相关内容,基于CNN的方法已经替代以往经典的方法(ASM,AAM等),于是乎得看看CNN是如何应用到关键点检测上的. 创新点: 1.将CNN应用到人脸关键点检测当中 2.提出级联CN ...
论文翻译——Facial Emotion Recognition using Deep Convolutional Networks
文章目录 Abstract introduction Recognition Of Emotion In Deep Network Convolutional Neural Network 分析与总结 ...
DeCAF: A Deep Convolutional Activation Feature for Generic Visual Recognition 一般视觉识别的深度卷积刺激特征
DeCAF: A Deep Convolutional Activation Feature for Generic Visual Recognition 一般视觉识别的深度卷积刺激特征 Abstra ...
二值网络--Optimize Deep Convolutional Neural Network with Ternarized Weights and High Accuracy
Optimize Deep Convolutional Neural Network with Ternarized Weights and High Accuracy IEEE Winter Con ...
目标检测--A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection
A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection ECCV2016 https://g ...

Ensemble of the Deep Convolutional Network for Multiclass of Plant Disease Classi¯cation Using Leaf

Ensemble of the Deep Convolutional Network for Multiclass of Plant Disease Classi¯cation Using Leaf Images

创新点

方法

MCPE模型结构

实验结果

Ensemble of the Deep Convolutional Network for Multiclass of Plant Disease Classi¯cation Using Leaf相关推荐

最新文章

热门文章