Ensemble of the Deep Convolutional Network for Multiclass of Plant Disease Classi¯cation Using Leaf

最新推荐文章于 2024-08-10 22:48:57 发布
最新推荐文章于 2024-08-10 22:48:57 发布
阅读量148 收藏
点赞数 1
分类专栏： 论文阅读 文章标签： 深度学习 神经网络 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/The_rice/article/details/125061640
版权

Ensemble of the Deep Convolutional Network for Multiclass of Plant Disease Classi¯cation Using Leaf Images

论文地址

创新点

  • 提出了一种基于集成学习方法的网络MCPE用于多类植物不同程度的病害分类，该网络通过boost策略集合了四个CNN网络取得了比单一网络更好的性能
  • 使用了一种新的动态relu激活函数
  • 发布了一个新的用于植物病害分类的数据集

思路来源：从[Binary ensemble neural network: More bits per network or
more networks per bit]([1806.07550] Binary Ensemble Neural Network: More Bits per Network or More Networks per Bit? (arxiv.org))文中了解到，单一网络不能胜任多类植物不同程度病害的分类任务。

集成学习：在同一数据集上训练多个网络，然后使用每个训练模型进行预测，然后以某种方式组合预测以得出最终结果。

方法

处理数据不平衡策略：1.对数据集重新采样，对少数类进行过采样对多数类进行欠采样或两者都采用。缺点是会造成数据的丢失。2.[Focal Loss](ICCV 2017 Open Access Repository (thecvf.com))焦点损失通过重新分配不同类别样本的损失权重解决数据不平衡问题，降低易分类样本的损失权重

数据增强：[AutoAugment](CVPR 2019 Open Access Repository (thecvf.com))，一种用于搜索最佳增强策略组合的算法

激活函数：动态relu（通过输入数据确定参数），相比于静态relu增加了较少的计算量，获取了更好的表征能力，动态relu的激活值表示：

在这里插入图片描述

其中，k表示函数数目，**θ(x)**由输入X生成，通过SEnet实现

MCPE模型结构

在这里插入图片描述

该模型是一个两阶段的方法

第一个阶段：采用AutoAugment的数据增强策略增强数据集，然后一个集成网络对植物种类进行分类。

第二个阶段：对每种植物训练一个疾病分类器，用来分类植物疾病的种类和严重程度。

每一个植物疾病分类器都是由集成网络计算的，这保证了不同植物分类器分类规则的特异性。

EsembleNet

在这里插入图片描述

boost strategy

step1：将训练集数据样本权重初始化为1/n

step2：训练第一个CNN模型，计算模型错误率和系数

step3：更新数据集权重，减少易分类样本的权重，增加误分类样本权重，然后一次训练各个CNN模型

step4：每个模型预测测试集

step5：对所有CNN模型的预测结果进行加权和，精度高的增加权重精度低的减少权重

实验结果

在这里插入图片描述

歪歪_yy
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
ABCnet——高精度二值化网络（Binary Neural Network）
AI Flash
06-12 7457
"Towards Accurate Binary Convolutional Neural Network"这篇文章提出了ABCnet，是一种表示精度较高的二值化网络结构（作为XNORnet的演进）。有关XNORnet及其优势可以参考论文："XNORNet: ImageNet Classification Using Binary Convolutional Neural Networks"。 ...
Bi-Real Net——XNOR-net的增强与演进（Binary Neural Network）
AI Flash
09-08 5750
"Bi-Real Net: Enhancing the Performance of 1bit CNNs with Improved Representational Capacity and Advanced Training Algorithm"这篇文章针对XNOR-net的缺陷，在网络结构及优化训练方面做了一系列增强与改进，具体包括引入one layer per block形式的shortc...
CVPR2019--Binary Ensemble Neural Network--二值CNN网络集成
AI小作坊 的博客
04-22 1378
Binary Ensemble Neural Network: More Bits per Network or More Networks per Bit? CVPR2019 本文最基本的思想： 二值CNN网络虽然速度快，占用内存少，但是精度低。本文分析了 二值CNN网络精度低的可能原因，然后提出 组合多个二值CNN网络来提升精度。 1 Introduction 深度神经网络 DNNs 在学术界...
二值网络--Structured Binary Neural Networks for Accurate Image Classification and Semantic Segmentation
AI小作坊 的博客
05-06 1276
Structured Binary Neural Networks for Accurate Image Classification and Semantic Segmentation https://arxiv.org/abs/1811.10413 Binary Ensemble Neural Network 的思路就是将 若干个独立的二值网络组合起来近似 实数值网络，本文提出的 Struct...
Local Binary Convolutional Neural Networks ---卷积深度网络移植到嵌入式设备上？
weixin_30466953的博客
09-24 633
前言：今天他给大家带来一篇发表在CVPR 2017上的文章。 原文：LBCNN 原文代码：https://github.com/juefeix/lbcnn.torch 本文主要内容：把局部二值与卷积神经网路结合，以削减参数，从而实现深度卷积神经网络端到端的训练，也就是未来嵌入式设备上跑卷积效果将会越来越好。 主要贡献： 提出一种局部二值卷积（LBC)可以用来替代传统的卷积神经网络的卷积层...
pytorch实现LBCNN：Local Binary Convolutional Neural Networks
yyqq7226741的博客
10-22 3185
本文用pytorch实现，是基于发表在CVPR 2017上的文章：Local Binary Convolutional Neural Networks 1.原文地址：https://arxiv.org/abs/1608.06049 torch版开源代码：https://github.com/juefeix/lbcnn.torch 2.详细介绍这篇文章内容的地址： http://...
论文研究-Ensemble Learning Based On The Sensitivity Of Neural Network.pdf
08-15
基于神经网络敏感性的集成学习，唐佳，，利用集成学习构造学习器解决回归和分类问题是当前机器学习领域的热点之一。在理论和实践中，学者已经证明集成学习可以提高分类和
Ensemble of Cost-Sensitive Hypernetwork for class-imbalance learning
02-10
Ensemble of Cost-Sensitive Hypernetwork for class-imbalance learning
The build of n-Bits Binary Coding ICBP Ensemble System
02-21
To optimize the construct of an ensemble of many relatively small and simple classifiers may be more realistic than to optimize the design of an individual large and complex classifier. Problems of ...
State estimation of connected vehicles using a nonlinear ensemble filter
02-11
The concept of connected vehicles is with great potentials for enhancing the road transportation systems in the future. To support the functions and applications under the connected vehicles frame, ...
深度学习算法优化系列十 | 二值神经网络(Binary Neural Network，BNN)
I good vegetable a!
02-13 1505
前言 昨天介绍的BinaryConnect提出将浮点权重量化到1bit，提出了完整的量化权重训练/测试流程，并且从带噪声权重的角度来解释了量化权重。但这种方法还有一个缺点，即并没有对激活函数进行量化，所以Bengio大神在2016年发表了这篇Binary Neural Network，论文原文和代码链接见附录。 BNN算法 二值化的方法 二值化方法主要有两种，确定式二值化和随机式二值化。二值化将f...
二值网络--Binarized Neural Networks
AI小作坊 的博客
04-22 1593
Binarized Neural Networks NIPS2016 https://github.com/MatthieuCourbariaux/BinaryNet 本文针对二值网络提出了 训练方法 1 Binarized Neural Networks Deterministic vs Stochastic Binarization 二值化函数 我们对 weights 和 activatio...
深度学习---------------卷积层
最新发布
Einstein·Jun
08-10 721
对全连接层使用平移不变性和局部性得到卷积层。卷积层将输入和核矩阵进行交叉相关，加上偏移后得到输出。核矩阵和偏移是可学习的参数。核矩阵的大小是超参数。
深度学习基础 - 梯度垂直于等高线的切线
flyfish
08-09 693
flyfish
Vitis AI 基本认知（CNN基本概念）
hi94的博客
08-07 654
这篇文档介绍了一个名为CNN Explainer的交互式可视化系统，旨在帮助非专业人士学习卷积神经网络（CNN）。该系统通过直观的方式展示了CNN的工作原理，使用户能够更好地理解复杂的神经网络结构和运算过程。
基于深度学习的面部关键点识别系统
Python极客之家
08-10 1034
面部关键点识别是指从图像中自动定位出人脸上的特定部位（如眼睛、鼻子、嘴巴等）的位置。随着计算机视觉技术的发展，面部关键点识别已经成为许多应用的核心技术之一，如面部识别、表情分析、虚拟试妆等。传统的基于特征的方法在光照变化、遮挡、姿态等方面表现不佳，而深度学习方法因其强大的特征表示能力和适应性，在这一领域取得了显著的进步。本项目利用 Tensorflow 和 Keras 构建卷积神经网络，利用扩充的数据集完成模型的训练、验证和测试，面部关键点识别像素级误差为0.95，小于1个像素点。并利用 Flask + B
基于深度学习的视频伪造检测
weixin_42605076的博客
08-08 687
基于深度学习的视频伪造检测旨在利用深度学习技术来检测和识别伪造的视频内容。伪造视频，尤其是深伪（Deepfake）视频，近年来随着生成对抗网络（GAN）技术的发展，变得越来越逼真和难以识别。这对个人隐私、信息安全和社会信任构成了重大威胁。
神经网络之CNN
零度°C的博客
08-10 1386
随着计算能力的提升和大数据的可用性，CNN在21世纪初取得了显著进展，特别是在2012年ImageNet竞赛中，AlexNet模型的巨大成功，将深度学习推向了一个新的高潮。：由牛津大学的视觉几何组（Visual Geometry Group）提出，VGGNet通过使用更小的卷积核（3x3）和更深的网络结构，展示了网络深度对于提高性能的重要性。一个卷积核覆盖图像的一个小区域，与该区域进行逐元素相乘，然后将结果求和，产生一个单一的输出值，这个操作在图像上滑动进行，生成特征图（feature map）。
Build ensemble using the trained model by comtinued-value fusions(max and mean)
06-09
To build an ensemble using the trained model by continued-value fusions (max and mean), you can follow these steps: 1. Load your trained models into memory. 2. Prepare your test data. 3. For each ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值