.png){kind=icon}
返回
A data augmentation method for computer vision task with feature conversion between class
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compag.2025.109909.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
农业样本不平衡、复杂且稀缺，这是限制农业计算机视觉推广与应用的主要因素。本文提出了一种面向计算机视觉任务数据增强的类间特征转换方法。我们在以下三个方面做出了贡献：1）提出了一种注意力机制的优化方法以优化CycleGAN生成器。通过高效卷积块注意力模块（ECBAM），改进了CycleGAN的生成器网络结构，使其能够学习从健康叶片到伪造病害叶片的特征转换。2）提出了一种基于比例分配感受野的标签分配方法，以实现从健康叶片到伪造病害叶片的标签替换。3）通过n倍过采样增强了原始数据。实验结果表明，本文提出的改进CycleGAN能够有效生成伪造病害叶片，Inception Score (IS)为2.3±0.14，Frechet Inception Distance (FID)为41.49，Kernel Inception Distance (KID)为0.025。我们验证了该方法在分类、目标检测和语义分割任务中的可行性。当使用改进CycleGAN进行数据增强时，ResNet152的准确率提高了1.71%。我们进一步验证了改进CycleGAN和感受野对象分配（RFOA）方法在数据增强中的有效性。通过在目标检测任务中的测试，当t=0.75，n=1时，mAP达到78.97%。通过在语义分割任务中的测试，当t=0.50与0.75，n=2时，mIOU达到81.41%。
Keyword:
Data Augmentation
Nutrient Deficiency
GAN
Attention Mechanism
Receptive Field
期刊
IF:
8.9
论文数:
1.0W
被引数:
4.8W
机构
暂无机构信息
引用论文
Unsupervised image translation using adversarial networks for improved plant disease recognition
OAAI
OAAI分享收藏A systematic study of the class imbalance problem in convolutional neural networks卷积神经网络中类不平衡问题的系统研究.png)
NEURAL NETWORKSOAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏ECANet: Explicit cyclic attention-based network for video saliency predictionNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容