May, 2024

PotatoGANs：利用生成对抗网络、实例分割和可解释智能的增强马铃薯病害识别与分类

PDF
TL;DR利用 PotatoGANs 生成合成土豆病害图像以增强模型泛化能力，并结合三种卷积神经网络架构和三种可解释 AI 算法以提高土豆病害分类的可解释性。
agricultural disease segmentationdeep learning techniquespotatogansgenerative adversarial networkspotato disease classification
发现论文，激发创造
  • 农业图像增强的生成式对抗网络：一篇系统综述

    该论文概述了生成对抗网络 (GAN) 在农业图像分析中的应用，并对其在植物健康、水产养殖、动物饲养、果实检测等方面进行了系统回顾，讨论了 GAN 的挑战和机遇。

    Apr, 2022

  • LeafGAN：用于实际植物病害诊断的有效数据增强方法

    本文提出了一种新型图像转换系统 LeafGAN，具有自己的注意力机制，能够生成各种病态植物图像，作为数据增强工具来提高植物病害诊断的性能。通过五类黄瓜病的分类实验，证明了使用 LeafGan 进行数据增强能够显著提高病害诊断性能，比原先基准提高了 7.4%，生成的图像质量也比传统的 CycleGAN 更好。

    Feb, 2020

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019

  • GAN 增强：使用生成对抗网络进行训练数据增强

    本文使用生成式对抗网络（GAN）生成的合成数据来增加医学成像训练数据集的样本数量，从而提高监督式机器学习算法对图像分割任务的性能。

    Oct, 2018

  • Red-GAN: 通过有条件生成攻击类别不平衡 - 对皮肤镜检和脑部肿瘤 MRI 的医学图像合成的另一视角

    通过基于生成对抗网络的数据增强协议，我们在像素级别和全局信息水平上对网络进行调节，以控制合成图像的外观，从而解决医学图像领域中被数据稀缺限制的问题，并通过将合成图像注入到训练集中来控制数据集类别的准确性水平。

    Apr, 2020

  • 医学图像的生成对抗网络 (MI-GAN)

    本文提出了一种新的医学影像生成对抗网络 (MI-GAN)，可以用于合成视网膜图像及其分割掩模，以进行医学影像的监督分析，结果证明其在 STARE 数据集和 DRIVE 数据集上性能表现优异，达到了当时的最佳状态。

    Oct, 2018

  • 生成对抗网络用于数据增强

    使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的，然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。

    Jun, 2023

  • 基于 GAN 的皮肤病变分析数据增广和匿名化：关键综述

    使用生成对抗网络进行皮肤病变分析的数据增强试验仅在分布不同的测试集上表现良好，在数据匿名化方面也只在分布不同的测试集上表现良好。因此，对于医学应用需要谨慎使用此技术。

    Apr, 2021

  • PlantPlotGAN：一种基于物理信息的生成对抗网络用于植物疾病预测

    通过使用无人机采集的多光谱图像，我们提出了一个具有物理特性的生成模型 PlantPlotGAN，能够创建具有逼真植被指数的合成多光谱区块图像，用于植物病害检测，并且通过与真实图像训练组合，能够提高早期病害检测的准确性。

    Oct, 2023

  • 深度学习中的马铃薯叶病分类：卷积神经网络方法

    该研究使用卷积神经网络（CNN）通过深度学习对马铃薯叶病进行分类。实验结果显示，该 CNN 模型在识别早疫病、晚疫病和健康叶片三种马铃薯叶病时具有高达 99.1% 的整体准确率，可在严重感染情况下准确识别不同类型的病变，为马铃薯病害的有效管理和自动化防治提供了潜力。

    Nov, 2023