| 融合特征增强模块的小样本农业害虫识别 |
| |
| 引用本文： | 王祎,李旭伟,刘怡光,陈立平.融合特征增强模块的小样本农业害虫识别[J].四川大学学报(自然科学版),2023,60(4):042001. |
| |
| 作者姓名： | 王祎 李旭伟 刘怡光 陈立平 |
| |
| 作者单位： | 四川大学计算机学院（软件学院）， 成都 610065,四川大学计算机学院（软件学院）， 成都 610065,四川大学计算机学院（软件学院）， 成都 610065,塔里木大学信息工程学院， 塔里木 843300 |
| |
| 基金项目： | 现代农业工程重点实验室2022年度开放课题（TDNG2022106）； 新疆生产建设兵团区域创新引导计划项目( 2021BB012); 国家重点研发项目（2020YFC0832400） |
| |
| 摘 要： | 基于深度学习的图像识别技术在具体应用前必须先经过大量带标签样本的训练，然而在实际场景中目标域样本可能非常稀缺，小样本图像识别技术应运而生.为了提升小样本场景下的图像识别准确率，本文提出一个通用的两阶段训练模型以融合现行主流方法并增强其表现.首先，针对训练时不同害虫种类背景相似度过高的问题提出融合双注意力机制的特征加强模块；其次，针对小样本情况下预测可能产生的过拟合问题提出基于高斯分布的特征生成模块以提高泛化能力；最后，将三种典型小样本识别方法统一成两阶段训练模型以融入提出的方法.将该思路及改进首次应用于传统害虫分类数据集IP102，识别准确率可以在基准方法上取得2.11%到6.87%的提升.为了进一步验证本文方法的有效性，在小样本领域公开数据集Mini Imagenet也进行了相应的实验，提升效果同样显著.
|
| 关 键 词： | 图像识别 小样本 特征增强 农业害虫 |
| 收稿时间： | 2022/10/27 0:00:00 |
| 修稿时间： | 2022/11/14 0:00:00 |
|
| 点击此处可从《四川大学学报(自然科学版)》浏览原始摘要信息 |
| 点击此处可从《四川大学学报(自然科学版)》下载免费的PDF全文 |
