.png){kind=icon}
返回
Ambiguity-aware semi-supervised learning for leaf disease classification
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-95849-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在深度学习中，半监督学习是一种通过利用有标签和无标签数据来有效提升神经网络训练效果的高效技术。该过程涉及使用训练好的模型为无标签样本生成伪标签，然后将这些伪标签纳入进一步训练原始模型，从而得到新模型。然而，如果这些伪标签包含大量错误，最终模型的准确率可能会下降，甚至可能低于初始模型的性能。为解决这一问题，我们针对叶片病害分类提出了一种基于模糊性感知的半监督学习方法。具体而言，我们提出了一种按病害分类的模糊性拒绝算法，用于消除模糊结果，从而提升后续半监督训练步骤中伪标签的精度，并提高最终分类器的精度。该方法在咖啡和香蕉两种公开叶片病害数据集上进行了评估，涵盖了包括监督学习和半监督学习在内的多种数据场景，且使用了不同比例的有标签数据。结果表明，我们的半监督方法通过利用模糊性拒绝算法，在保持高精度的同时减少了对完全有标签数据集的依赖。此外，该拒绝算法在咖啡和香蕉数据集上显著提升了最终分类器的精度，在仅使用50%有标签数据的情况下，分别达到了99.46%和100.0%的精度。本研究还通过一系列全面的实验和分析验证了所提方法的有效性，并将其性能与当前最先进的监督学习方法进行了比较。结果显示，尽管仅使用了50%的有标签数据，我们的方法在性能上仍然可与使用100%有标签数据的完全监督模型相媲美。
Keyword:
Deep learning
Semi-supervised learning
Ambiguity rejection
Leaf disease classification
Coffee leaf disease
Banana leaf disease
期刊
IF:
3.9
论文数:
28.2W
被引数:
83.5W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容