.png){kind=icon}
返回
Improving long-tailed pest classification using diffusion model-based data augmentation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compag.2025.110244.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
长尾问题在大规模农业数据集中普遍存在，对农业研究构成显著挑战。这通常源于数据收集成本过高、获取准确全面数据的挑战以及信息来源多样性的限制。该问题在农业害虫数据集中尤为突出，不同害虫类型频率的不平衡会严重阻碍检测精度。为应对这一普遍挑战，本文介绍了一种稳健的方法，利用扩散模型的力量有效解决长尾问题。我们的方法专注于微调专用预训练模型以生成高度逼真的害虫图像，为平衡数据集分布提供了关键解决方案。本文还提出了一种可视化技术，清晰直观地展示了长尾问题对数据集的影响。通过使用扩散模型生成高质量合成图像，我们的方法不仅平衡了不均衡的数据分布，还减少了真实数据与合成数据之间的差异，有效缓解了尾部类别的欠代表性。实验结果基于广泛使用的IP102大规模害虫数据集进行测试，证实了本方法的优势。该方法在样本保真度和多样性之间取得了最佳平衡，在图像质量上优于传统方法。此外，它在害虫分类任务中表现出卓越性能，实现了最高的评估指标，并展示了其以显著成功解决长尾问题的能力。
Keyword:
Insect pest classification
Long-tailed problem
Diffusion model
Data augmentation
期刊
IF:
8.9
论文数:
1.0W
被引数:
4.8W
机构
引用论文
Handling the Challenges of Small-Scale Labeled Data and Class Imbalances in Classifying the N and K Statuses of Rubber Leaves Using Hyperspectroscopy Techniques.png)
PLANT PHENOMICS
OAAI
PLANT PHENOMICSIF6.4
OAAI分享收藏An Effective Image-Based Tomato Leaf Disease Segmentation Method Using MC-UNetPLANT PHENOMICSOAAI
PLANT PHENOMICSIF6.4
OAAI分享收藏分享收藏Adaptive feature fusion pyramid network for multi-classes agricultural pest detection自适应特征融合金字塔网络在多课程农业害虫检测中的应用
PREAI
分享收藏Synthetic data augmentation by diffusion probabilistic models to enhance weed recognition通过扩散概率模型增强合成数据以增强杂草识别
PREAI
分享收藏
查看更多内容