-
题名基于多粒度多阶段特征学习的叶片分类和分级方法
- 1
-
-
作者
陈亚杰
刘松岳
王潇
-
机构
南京理工大学计算机科学与工程学院
贵州中烟工业有限责任公司毕节卷烟厂
-
出处
《计算机与数字工程》
2024年第7期2150-2154,共5页
-
基金
国家自然科学基金项目(编号:61703209)资助。
-
文摘
论文提出一种新的植物叶片分类以及分级网络模型MGMS(multi-granularity and multi-stage network),该模型关注叶片的多粒度信息,并将多层级粒度特征进行有效融合。模型骨架由通用特征提取网络Resnet50构成,在不同阶段计算提取出特征,并将这些特征拼接,完成多粒度特征提取。此外,还使用了中心差分卷积模块,使模型可以关注图像中更具区分度的局部区域,提取出的特征更具区分性。在训练时采用多阶段训练方式,通过计算每一步提取的特征(包括拼接特征)得到的预测标签与真实标签的损失函数,实现由浅层特征到深层特征的学习,将triplet loss用于模型训练,通过减小anchor与正样本的欧式距离,增大anchor与负样本欧式距离优化目标。该方法在Flavia leaf和Swedish leaf两个公开的叶片分类数据集上分别达到99.3%和99.9%的分类准确率,其中在Swedish leaf数据集上达到了目前最高准确率,在Flavia leaf上与当前最高准确率的方法相当,且在构建的烟叶分级数据集上也达到目前最高的71.2%的分级准确率。
-
关键词
叶片分类
多粒度融合
多步骤训练
中心差分卷积
-
Keywords
leaf classification
multi-granularity fusion
training by level
central difference convolution
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
