Китайские ученые помогут машинам распознавать вредителей

Группа исследователей под руководством профессора Се Чэнцзюня и доцента Чжан Цзе из Хэфэйского института физических наук Китайской академии наук, вдохновленная причинно-следственными связями, разработала инновационную структуру обучения на основе разделенных признаков (DFL) для решения проблемы смещения распределения при распознавании вредителей сельскохозяйственных культур.

Точное распознавание вредителей имеет решающее значение для интеллектуального сельского хозяйства, поскольку оно обеспечивает здоровье, урожайность и качество урожая, поддерживая при этом экологический баланс. Несмотря на достижения в области глубокого обучения для распознавания вредителей, существующие методы сталкиваются с проблемой смещения распределения в обучающих наборах данных для моделей глубокого обучения, что часто приводит к чрезмерной зависимости от фоновых, а не от ключевых характеристик вредителей.

Для решения этой проблемы команда предложила инновационную структуру DFL. Она применяет методы причинно-следственной связи для смягчения смещения обучающих данных путем построения различных обучающих доменов и использует Center Triplet Loss для повышения способности моделей глубокого обучения улавливать основные признаки вредителей в различных доменах.

Исследователи протестировали DFL на трех различных наборах данных: набор данных Li, набор данных Dong’s Few-Shot Pest и крупномасштабный набор данных IP102. Эти наборы данных представляют собой коллекции изображений, используемых для обучения и оценки точности моделей распознавания вредителей.

Результаты показали, что DFL значительно улучшил производительность моделей глубокого обучения, достигнув высокой точности распознавания: 95,33%, 92,59% и 74,86% для трех наборов данных соответственно.

Кроме того, визуализация результатов подтвердила, что DFL помог моделям сосредоточиться на ключевых характеристиках вредителей, что позволило им поддерживать высокую точность даже при изменении распределения тестовых данных.