利用类激活图对植物叶片病害进行检测
该研究论文通过深度学习模型系统综述了叶病害诊断领域的多种叶病害基于叶片的模型,包括 Vision Transformer (ViT)、Deep convolutional neural network (DCNN)、Convolutional neural network (CNN)、Residual Skip Network-based Super-Resolution for Leaf Disease Detection (RSNSR-LDD)、Disease Detection Network (DDN) 和 You only look once (YOLO) 等。研究表明,针对叶病害的深度学习模型被应用于多个公开数据集,研究使用了准确率、精确率、召回率等不同的性能指标来比较模型的表现。
Aug, 2023
该研究提出了一种通过卷积神经网络和机器学习方法,在面部图像中侦测瑕疵和皮肤损伤的模型,该方法具有简单的架构、快速和适用于图像处理,并避免了传统方法的复杂性。
Feb, 2024
通过对植物病理学方面的当前深度学习方法进行调研和现有机器学习方法的研究,我们提出了一种名为通用堆叠多输出 CNN 的新模型(GSMo-CNN),并在三个基准数据集上进行了大量实验。实验结果表明,InceptionV3 是作为骨干 CNN 的较好选择,其性能优于 AlexNet、VGG16、ResNet101、EfficientNet、MobileNet 和我们开发的自定义 CNN,并证实单一模型的使用可以与或优于使用两个模型。最终,我们展示了提出的 GSMo-CNN 在三个基准数据集上达到了最先进的性能。
Oct, 2023
应用计算机视觉技术通过叶片尺寸预测、图像分割和 CNN 对象检测等方法,对 8 种不同类型的水稻叶片疾病进行图像分类与识别,结果表明基于自动估计的叶片宽度尺寸的图像切割技术能够提高水稻疾病检测效率。
Jun, 2022
本文研究了实现强健的皮肤病诊断的实用方法,并提出一种以皮损为病变类型标签的自动化诊断系统作为目标的方法,并应用卷积神经网络(CNNs)来实现疾病定向诊断和病变定向分类的分类器,并采用来自六个公开皮肤病学大全的 75665 个皮肤病图像来进行训练与测试,结果证明基于病变定向分类的分类器的效果优于疾病定向的分类器。
Dec, 2018
通过使用区域卷积神经网络(RCNN)和基于注意力机制的网络,从叶片上的病斑或健康区域学习特征的方式,处理了训练数据分布与测试数据分布不一致所带来的分类器性能问题,测试集上的平均分类准确率约为 95%,在训练阶段未见过的数据集上平均得分为 84%。
Aug, 2023
深度学习中越来越需要可解释的 AI。我们的工作旨在将来自较早和较晚网络层的信息结合起来,产生具有竞争力的高分辨率 Class Activation Map,从而准确定位图像特征,从而超越以前的艺术水平。
Apr, 2022
利用 54,306 张植物叶片图像数据,训练深度卷积神经网络以识别 14 种作物和 26 种疾病,并利用全球智能手机渗透率的提高和近期深度学习中的计算机视觉技术,实现智能手机辅助作物疾病诊断的可行性。
Apr, 2016