本次记录的文章名
《Agricultural Pest Super-Resolution and
Identification with Attention Enhanced
Residual and Dense Fusion Generative
and Adversarial Network》
Dai Q , Cheng X , Qiao Y , et al. Agricultural Pest Super-Resolution and Identification with Attention Enhanced Residual and Dense Fusion Generative and Adversarial Network[J]. IEEE Access, 2020, PP(99):1-1.
本文是2020年在IEEE Access发表的文章,本文的主要思想是提出了一种多注意力机制组合的超分算法,然后将处理结果进行图像分类和检测。
文章研究背景
庄稼的产量和许多因素有关,比如气候改变,植物疾病和病虫害。根据最新的研究,大约世界上一半的农作物由于虫害和农作物疾病造成损失。其中,无论是在发达还是发展中国家,虫害引起的农作物损坏是农作物产量的主要影响因素。因此,在农作物生长的早期识别昆虫是非常有必要的,可以提前选择较好的应对措施,这对减少农作物损失和农药的使用非常重要。昆虫种类很多,每种昆虫对应的数量也非常多。可是,传统的昆虫识别耗时且效率低,为了改善农业保护的效率,一种新的高效识别方法需要被提出。
文章脉络
作者介绍了背景后,有一段是在阐述深度学习在害虫识别领域的重要性,然后举了几个将深度学习用于害虫识别的例子,最后在段落最后指出这些方法虽然展示了深度学习在害虫识别领域的可用性,但是由于在农场中相机分布较分散,农场中获取的害虫往往不清晰且比较小。当前的方法在低分辨率和小像素目标仍没达到令人满意的结果。这主要因为预训练模型一般由清晰的高分辨率数据集训练得出,而昆虫图像一般画质较低。
由此就引出了本文的超分算法。
相关工作部分作者先介绍了使用传统的机器学习方法进行昆虫识别,然后又介绍了使用深度学习方法进行昆虫识别
下面介绍本文提出的方法,主要从网络架构和注意力机制层面展开描述
然后描述实验部分,和数据集检验的处理过程,进行比较实验
最后讨论
文章贡献
1 提出一种超分方法用来提升图片质量
2 将GAN首次用于农业害虫的处理过程
3 PSRGAN可以提升图像质量,提高图像分类准确率和分割的召回率
文章提出的模型架构(其实整体的架构并不是很清楚)
当然文章中还有针对模块的描述,具体可以看论文,比较有意思的是,在注意力机制过程中,总是采用一半的通道进行处理注意力机制,一半保持原样。
部分超分结果:
总结
文章整体牵扯到多个模块的设计,但没有什么新模块,只是将多个模块混合了下,做了些实验,不过能够将多个模块融合在一起,说明作者对于某些模块的理解还是到位的,也值得学习。