针对真实环境下采集的病害图像中存在的大量噪声和复杂背景干扰,导致作物病害识别准确性和泛化性低的问题,该研究提出基于自适应BayesShrink和频-空特征融合的作物病害识别方法(adaptive BayesShrink and frequencyspatial domain featu...
详细信息
针对真实环境下采集的病害图像中存在的大量噪声和复杂背景干扰,导致作物病害识别准确性和泛化性低的问题,该研究提出基于自适应BayesShrink和频-空特征融合的作物病害识别方法(adaptive BayesShrink and frequencyspatial domain features fusion, AFSF-DCT)。首先,设计了自适应BayesShrink算法(Ad-BayesShrink)以减少噪声干扰,同时保留更多细节,降低识别模型提取病害特征的难度。然后提出基于频-空特征融合和动态交叉自注意机制的作物病害识别模型(crop leaf disease identification model based on frequency-spatial features fusion and dynamic cross-self-attention,FSF-DCT)。为实现全面的频-空特征映射,设计了基于离散小波变换(discrete wavelet transform,DWT)和倒残差结构(bneck)的频-空特征映射(DWT-Bneck)分支以捕获多尺度病害特征。频域分支设计了基于2D DWT的特征映射模块(2D DWT-based frequency-features decomposition module, DWFD)以捕获病害细节和纹理,用于补充空间域特征在全局信息表达上的不足。空间域分支在bneck中引入CBAM(convolutional block attention module)和Dynamic Shift Max激活函数以实现全面的空间特征映射。最后设计了动态交叉自注意特征融合模块(multi-scale features fusion network based on dynamic cross-self-attention, MDCS-DF)融合频-空特征并增强模型对病害特征的关注。结果表明,Ad-BayesShrink获得了35.78的最高峰值信噪比,优于VisuShrink和SUREShrink。FSF-DCT在自建数据集和2个开源数据集(PlantVillage和AI challenger 2018)上分别获得了99.20%、99.90%和90.75%的识别精度,且具有较小的参数量(7.48 M)和浮点运算数(4.62 G),优于当前大部分的主流识别模型。AFSF-DCT可为复杂背景下的作物叶片病害的快速精准检测提供模型参考。
随着各国经济贸易、文化交流往来的日益频繁,快速、有效地区分各国人员身份是当前人脸识别领域的一项重要研究。本文特针对亚洲区域五个国家(中国、日本、韩国、泰国、印度)进行人脸分类识别的研究,本文基于MobileNet进行五国人脸分类识别,因为这五国人脸较为相似,为能有效降低冗余,本文将八度卷积插入该网络中减少冗余,提升精度;并提出使用中心损失函数和交叉熵损失函数相结合的方法来提升准确率。经过实验验证,本文提出的在网络中插入八度卷积和中心损失函数两种改进方法均可以提升准确率,其最高准确率可达87.84%,其Error top 1最低达到0.120%。
暂无评论