【笔记】An explainable deep machine vision framework for plant stress phenotyping

最新推荐文章于 2024-04-24 10:30:27 发布
最新推荐文章于 2024-04-24 10:30:27 发布
阅读量266 收藏
点赞数
分类专栏： 文献笔记
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/YaoYee_21/article/details/110239224
版权

在这里插入图片描述

《An explainable deep machine vision framework for plant stress phenotyping》

背景

目前基于视觉症状的植物胁迫，由于其症状相似，主要是靠专家人工识别。但是人工过程繁琐，识别结果因人而异。

创新点

构建可解释的神经网络模型，实现植物胁迫的识别、分类和量化。并且解释哪些视觉特征用于病虫害的检测。

数据获取

在这里插入图片描述

照片数量

每种病害单张叶片2000张左右，包括正常叶片总共16207张，数据增强到65760张。

模型构建

在这里插入图片描述

模型解释

在这里插入图片描述
在这里插入图片描述
通过模型生成的卷积特征结合TOP-K算法生成特征图，与人工标记的叶片胁迫区域做空间相关性分析，验证特征图的“可信度”，借助视觉感官来解释卷积神经网络所产生的特征是如何用来胁迫识别和分类的。

在这里插入图片描述

胁迫程度等级预测：

对健康叶片计算其卷积层激活水平，以此为基准，计算各胁迫的激活水平，与其做比值，产生相应的胁迫等级标准。

在这里插入图片描述

猜你喜欢：👇🏻
⭐【笔记】基于 Mask R-CNN 的玉米田间杂草检测方法

在这里插入图片描述

YaoYee_7
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
入侵检测系统的可解释机器学习框架An Explainable Machine Learning Framework for Intrusion Detection Systems
风口IT猪的成长录
05-27 57
近年来，基于机器学习的入侵检测系统(ids)已被证明是有效的;特别是，深度神经网络提高了入侵检测模型的检测率。然而，随着模型变得越来越复杂，人们很难得到决策背后的解释。与此同时，大多数关于模型解释的工作集中在计算机视觉、自然语言处理和生物学等其他领域。这导致在实际应用中，网络安全专家很难根据模型的判断来优化决策。为了解决这些问题，本文提出了一个解释ids的框架。该框架使用，并结合局部和全局解释来改进对ids的解释。。全局解释给出了。同时，比较了单对全分类器和多分类器两种不同分类器的解释效果。
物联网网络中可解释的深度学习入侵检测An explainable deep learning-enabled intrusion detection framework in IoT networks
最新发布
风口IT猪的成长录
05-27 65
尽管可解释人工智能(XAI)领域近来备受关注，但其在网络安全应用中的实现仍需要进一步研究，以了解其在发现攻击面和向量方面的有效性。在网络防御中，特别是基于异常的入侵检测系统(IDS)，。本文提出了一种新颖的可解释的物联网（IoT）网络入侵检测框架。我们开发了一种 IDS，使用短期长记忆 (LSTM) 模型来识别网络攻击并解释模型的决策。
matlab精度检验代码-plant_stress_phenotyping:伴随植物胁迫表型数据集和分析论文的软件
05-22
matlab精度检验代码植物胁迫表型 基于计算机视觉的农作物表型常规 作者 拉加夫·卡纳（Raghav Khanna） 卢卡斯·施密德（Lukas Schmid） 自治系统实验室苏黎世联邦理工学院 贡献 叉子或分支 请遵守以下规定 发送公关并标记我 引文 如果您发现此存储库对您的科学工作有用，请考虑引用 Khanna，Raghav和Schmidt，Lukas和Nieto，Juan和Siegwart，Roland和Liebisch，Frank的植物胁迫表型的时空光谱数据集 依存关系 某些功能取决于以下第三方软件 用法 默认情况下，脚本配置为从root plant_stress_phenotyping文件夹运行。 资料索引 文件名 文件夹 描述 CMV2K-SSM5x5-600_875-5.5.9.2.xml 用于数据集的Ximea相机，镜头和滤镜设置的光谱响应数据 代码索引 相机校准，3D重建和多光谱重投影 Folder 3dprocessing包含用于内部和外部摄像机校准，立体重建和重投影的实用程序功能，这些功能用于创建时空光谱点云。 文件名 类型 描述 calibratecamera
高光谱图像分类_高光谱图像分析技术对早期植物病害和胁迫的检测和分类
weixin_39640687的博客
12-14 612
文献信息 标题： Hyperspectral image analysis techniques for the detection and classification of the early onset of plant disease and stress期刊： PLANT METHODSIF: 4.266发表时间：2017年10月第一作者：Amy Lowe主要单位：诺丁...
阅读笔记：An explainable deep-learning algorithm for the detection of acute intracranial haemorrhage from
izzzc
06-14 508
阅读笔记: An explainable deep-learning algorithm for the detection of acute intracranial haemorrhage from small datasets Lee, H., Yune, S., Mansouri, M. et al. An explainable deep-learning algorithm for the detection of acute intracranial haemorrhage from smal
【论文笔记】Explainable Reasoning over Knowledge Graphs for Recommendation
BodyCsoulN的博客
11-04 1023
笔记作者：刘泽鑫 原文作者：Xiang Wang，Dingxian Wang，Canran Xu, Xiangnan He, Yixin Cao, Tat-Seng Chua 原文标题：Explainable Reasoning over Knowledge Graphs for Recommendation 原文来源：AAAI 2019 原文链接：https://ojs.aaai.org//index.php/AAAI/article/view/4470 Explainable Reasoning ove
论文阅读笔记 ---《Explainable Framework for TextClassification 》
杰森斯坦熊的博客
08-16 292
** 论文地址：https://arxiv.org/abs/1811.00196v2 ** ** 论文名称：Towards Explainable NLP:A Generative Explanation Framework for TextClassification ** OpenRE任务介绍
【Nature 2023】Discovery of a structural class of antibiotics with explainable deep learning
简单记录生活、学习
12-28 819
用可解释的深度学习发现结构类抗生素。
[异常检测]EXPLAINABLE DEEP ONE-CLASS CLASSIFICATION
BENULL的博客
12-16 1964
[异常检测]EXPLAINABLE DEEP ONE-CLASS CLASSIFICATION 会议： 2021 ICLR 论文： https://openreview.net/forum?id=A5VV3UyIQz. 代码：https://github.com/liznerski/fcdd 创新点 因为用于异常检测的深度单分类方法学习映射将正常样本集中在特征空间而将异常样本映射出去。由于这样的变换是非线性的，所以很难去解释。于是这篇文章提出了全卷积数据描述（FCDD），是对DSVDD的一种修改，使变换
Explainable Reasoning over Knowledge Graphs for Recommendation.pdf
02-02
近年来,将知识图谱纳入推荐系统已引起越来越多的关 注.通过探索知识图中的互连,可以发现用户和项目之 间的连通性,这为路径提供了丰富且互补的信息给用户 -项目交互.这种连通性不仅揭示了实体和关系的语义, 而且还有...
Explainable Deep Learning Methods in Medical Diagnosis：A Survey.
05-15
放射线照片[80]，角膜图像[147])。然而，尽管有这些进步，自动化医学成像在临床实践中的采纳仍然有限，部分原因在于深度学习模型的不可解释性。这种不可解释性使得医生和专家难以信任这些模型的决策，因为他们无法...
Explainable-Machine-Learning:该存储库展示了生产中机器学习模型的视图
04-07
可解释的机器学习 该存储库展示了生产中机器学习模型的视图。 目标： 显示清晰易懂的结果。 使数据科学家可以使用Web应用程序快速了解他们的模型。 依存关系： Python== 3.6 shapash == 1.2.0 ...
Reveal to Revise: An Explainable AI Life Cycle for Iterative Bias Correction of Deep Models论文速读
qq_45745941的博客
04-24 950
最先进的机器学习模型通常会学习嵌入在训练数据中的虚假相关性。在部署这些模型进行高风险决策时，例如在皮肤癌检测等医疗应用中，这会带来风险。本文提出了 Reveal to Revise （R2R），这是一个包含整个可扩展人工智能 （XAI） 生命周期的框架，使从业者能够迭代识别、缓解和（重新）评估虚假模型行为，同时进行最少的人工交互。R2R通过发现属性中的异常值或通过检查模型学习的潜在概念来揭示模型的弱点。在输入数据中检测负责的虚假并在空间上定位，然后利用这些虚假修改模型行为。
【笔记】基于 Mask R-CNN 的玉米田间杂草检测方法
YaoYee_21的博客
11-06 1353
该方法采用残差神经网络ResNet-101 提取涵盖杂草语义、空间信息的特征图; 采用区域建议网络对特征图进行杂草与背景的初步二分类、预选框回归训练， 利用非极大值抑制算法筛选出感兴趣区域; 采用区域特征聚集方法( ＲoIAlign) ， 取消量化操作带来的边框位置偏差， 并将感兴趣区域( ＲoI) 特征图转换为固定尺寸的特征图; 输出模块针对每个 ＲoI 计算分类、回归、分割损失， 通过训练预测候选区域的类别、位置、轮廓， 实现杂草检测及轮廓分割。
【笔记】基于低空无人机影像和 YOLOv3 实现棉田杂草检测
YaoYee_21的博客
11-03 1321
首先，利用无人机平台获取 0.10、0.29、0.52 cm 分辨率的棉花苗期影像，进行正射校正、拼接、裁剪、标注等前期处理，构建 3 个数据集；其次，通过目标维度聚类、改进模型结构等方法优化 YOLOv3 网络模型；最后通过对比分析测试结果得到最优模型和最佳分辨率。
【笔记】基于Faster R-CNN的除草机器人杂草识别算法
YaoYee_21的博客
11-06 1175
首先使用快速区域卷积神经网络（Faster R-CNN）算法训练初始化模型，然后通过在网络池化层后添加生成对抗网络（GAN）噪声层来提高网络的鲁棒性
【笔记】基于轻量和积网络及无人机遥感图像的大豆田杂草识别
YaoYee_21的博客
11-03 841
该文改进传统和积网络的学习过程，提出一种以小批量数据作为输入的轻量和积网络。在结构学习中，当积节点作用域内的变量个数小于一定阈值时，合并积节点为多元叶节点，否则将积节点重组为和积混合结构，并对边缘节点进行裁剪，有效降低了模型的参数量和复杂度。在参数学习中，提出贝叶斯矩匹配更新网络参数，使得模型对小样本的学习效率更高。最后结合 K 均值聚类算法应用于无人机图像中的杂草识别。
【笔记】基于边缘检测和BP神经网络的大豆杂草识别研究
YaoYee_21的博客
11-06 660
首先采用改进后的Canny算法对图像进行特征提取，然后将提取到的结果转化为特征矩阵向量，作为BP神经网络的输入层，最后通过BP神经网络进行大豆杂草图像识别，区分出不同种类的杂草。
explainable artificial intelligence for accident anticipation
09-21
可解释的人工智能（explainable artificial intelligence，XAI）是指能够解释其决策过程和推理结果的人工智能系统。它为对人类用户透明且理解机器学习模型的方法提供了一个框架，从而能够更好地预测和预防事故。 事故预测是一种利用人工智能技术来提前发现潜在危险和减少事故发生率的方法。具有XAI特性的人工智能系统可以通过解释其决策背后的原因和依据，为用户提供更多观察和理解其工作方式的机会。 通过XAI技术，人们可以更准确地了解AI系统在预测和预防事故方面所依赖的数据和算法，以及其对不同特征和变量的注意力分配。这种透明性使用户能够评估系统的准确性和可靠性，并提供反馈来改善系统。 通过XAI的可视化工具，用户可以观察和分析模型在特定情况下是如何做出预测的。例如，使用热力图可以显示模型对不同因素的关注程度，用户可以从中了解到模型如何识别事故风险因素，并进行相应的依据和干预。 在事故预测方面，XAI可以提供几个关键好处。首先，它可以帮助用户理解模型是如何基于数据进行学习，从而提高对模型性能的信任度。其次，XAI可以帮助用户发现模型的潜在偏差或漏洞，并提供改进的反馈。此外，XAI还可以促进与用户之间的互动和共享知识，提高模型的可持续性和普适性。 总之，可解释的人工智能在事故预测中起到重要的作用，它通过透明和理解机器学习模型的方法，使用户能够更好地预测和预防事故。这将有助于提高安全性、降低风险，并在快速发展的人工智能领域中建立信任和合作关系。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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