![](https://img-blog.csdnimg.cn/20201014180756916.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
文献笔记
日常文献总结
YaoYee_7
别看CSDN了,拥抱chatgpt吧
展开
-
【笔记】Comparison of Object Detection and Patch-Based Classification Deep Learning Models on Mid- to La
对比两种目标检测算法,最后与分类算法做对比。原创 2020-11-27 20:27:52 · 179 阅读 · 0 评论 -
【笔记】Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural ne
比较不同的参数对于迁移学习权重微调的影响原创 2020-11-27 20:15:58 · 222 阅读 · 0 评论 -
【笔记】An explainable deep machine vision framework for plant stress phenotyping
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。原创 2020-11-27 18:04:14 · 266 阅读 · 0 评论 -
【笔记】基于Faster R-CNN的除草机器人杂草识别算法
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原创 2020-11-06 20:02:04 · 1168 阅读 · 0 评论 -
【笔记】基于边缘检测和BP神经网络的大豆杂草识别研究
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。原创 2020-11-06 19:52:37 · 653 阅读 · 0 评论 -
【笔记】基于 Mask R-CNN 的玉米田间杂草检测方法
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。原创 2020-11-06 19:48:32 · 1317 阅读 · 0 评论 -
【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
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。原创 2020-11-03 16:42:20 · 835 阅读 · 1 评论 -
【笔记】基于低空无人机影像和 YOLOv3 实现棉田杂草检测
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。原创 2020-11-03 16:34:22 · 1313 阅读 · 0 评论