基于修正元学习和零样本学习的农作物病害识别技术研究

发布时间：2023-02-14 21:18

　　农作物病害是威胁粮食安全和农作物生产的主要因素,因此,利用人工智能技术来协助农作物病害诊断具有重要意义。目前,最流行的方法是利用深度卷积神经网络(CNNs)强大的隐式特征提取能力,将该问题转换为叶子图像的分类任务。基于CNN的分类方法的性能取决于大量的高质量人工标注数据集,然而在实际标注过程中,由于人工标注等因素会不可避免地引入噪声标签(noisy label),从而导致模型过拟合和性能下降。此外,由于农作物物种和病害的稀有度不同,因此在获取图像时会出现类别样本稀少甚至缺失的问题,即零样本问题。针对这两个问题,我们提出了如下两种解决策略:1)针对噪声标签问题,本文利用元学习的自学习能力以及校正模块,提出了基于修正元学习的自学习框架,提高了网络的鲁棒性。该框架分为两个阶段,第一阶段是训练一个基于CNN的模型,利用原始噪声标签来预测分类的结果。第二阶段是将元学习和校正模块相结合来提高网络对噪声的容忍度。具体来说,首先会生成多组带有伪标签的合成mini-batch,然后强制元学习更新网络的预测与第一阶段网络的预测保持一致,最后利用类似于注意力机制的校正模块,来增大无偏差样本的权重和减少有偏差...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 课题背景及研究的目的和意义
    1.2 国内外研究现状
        1.2.1 噪声标签学习
        1.2.2 元学习
        1.2.3 零样本学习
    1.3 课题主要工作
    1.4 论文组织结构
第2章 相关工作综述
    2.1 基于深度学习的噪声标签学习
        2.1.1 噪声标签问题描述
        2.1.2 噪声标签相关技术与动机
    2.2 元学习相关技术
    2.3 基于深度学习的零样本学习
        2.3.1 零样本学习问题描述
        2.3.2 零样本学习相关技术与动机
    2.4 本章小结
第3章 基于修正元学习的自学习框架
    3.1 相关理论
        3.1.1 噪声标签问题描述
        3.1.2 残差网络
        3.1.3 KL距离
    3.2 类别噪声鲁棒的分类算法
        3.2.1 迭代的自学习框架
        3.2.2 主学习阶段
        3.2.3 修正元学习阶段
    3.3 实验结果
        3.3.1 实验设置
        3.3.2 性能比较
        3.3.3 消融分析
    3.4 本章小结
第4章 基于判别学习的零样本学习框架
    4.1 零样本学习问题描述
    4.2 零样本学习网络
        4.2.1 整体框架
        4.2.2 特征提取网络
        4.2.3 联合视觉和语义的增强嵌入网络
        4.2.4 零样本学习的预测
    4.3 实验结果
        4.3.1 实验设置
        4.3.2 性能比较
        4.3.3 消融分析
    4.4 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢



本文编号：3743044