摘要
植物检测模型缺乏普遍性是阻碍实现自主杂草控制系统的主要挑战之一。
本文研究了训练和测试数据集分布对植物检测模型泛化误差的影响,并使用增量训练来减小泛化误差。在本文中,我们使用YOLOv3目标探测器作为植物检测模型。为了训练模型并测试其泛化特性,我们使用了一个广泛的数据集,包括25个子数据集,采样自多个不同的地理区域、土壤类型、耕作条件,包含杂草、背景植被、相机质量和光照变化。利用该数据集,我们评估了植物检测模型的泛化误差,评估了来自多个耕地的采样训练图像对我们的植物检测模型泛化的影响,研究了训练图像个数与植物检测模型泛化程度的关系,并采用增量训练的方法来减小新耕地植物检测模型的泛化误差。
结果表明,我们的植物检测模型平均泛化误差为0.06 mAP。增加用于训练的子数据集的数量,同时保持训练图像的总数量不变,增加了训练集覆盖的变异,提高了植物检测模型的泛化程度。增加更多的训练图像样本,从相同的数据集进一步提高泛化。然而,这种效果是有限的,只有当新的图像覆盖新的变化时才有效。天真地添加更多的图像并不能为训练分布之外的特定场景准备模型。使用增量训练,模型可以适应这种情况,并可以减轻泛化误差。根据训练集和新领域之间的差异,只需对25张图像进行微调就可以减轻泛化误差。
1、介绍
实现可推广到多个领域的杂草检测模型是杂草精确控制中植物检测的主要挑战。在实际应用中,每个区域的土壤、植物种类、生长阶段、生长条件和田间环境都不同,当检测模型遇到未训练的田间条件时,其性能会很差。这种性能下降被称为“泛化误差”。当机器学习模型在训练过程中不学习记住特定的样本,而是学习通用模式时,机器学习模型具有良好的泛化能力,该模式描述了一个分布ÿ