![图片[1] - AI科研 编程 读书笔记 - 【人工智能】作物叶片病害分类去背景方法&MaxViT混合玉米数据集&模型改进实验-2025年3月22日人工智能组会总结 - AI科研 编程 读书笔记 - 小竹の笔记本](https://img.smallbamboo.cn/i/2025/03/24/67e0be39408b7.png)
此次组会的汇报内容(按顺序)如下:
作物叶片病害分类去背景方法
这是第一篇论文,作者将Plant Village数据集原本256x256的图片切割为了32x32的小块,并使用3个月时间将新数据集进行了标注。模型使用了一个小型Inception作为核心(挺水的),验证了其泛化能力。
思考:将旧玉米数据集进行OpenCV预处理后切分为多个patch,计算patch是否属于背景,仅保留含叶片50%以上的patch(或者先用语义分割模型将背景填黑,之后再进行分类),这种方法是否可行?或者有没有其他的去背景方法,或者将注意力转移到叶片之上。
MaxViT混合玉米数据集
这是第二篇论文,一区顶刊,作者将Plant Village,PlantDoc和CD&S数据集中玉米分类融合为新的大数据集,并在改进的MaxViT模型上进行实验,与其他CNN和ViT模型进行了大量实验对比。
以上两篇论文详细的笔记请见具体文章。
模型改进实验
![图片[2] - AI科研 编程 读书笔记 - 【人工智能】作物叶片病害分类去背景方法&MaxViT混合玉米数据集&模型改进实验-2025年3月22日人工智能组会总结 - AI科研 编程 读书笔记 - 小竹の笔记本](https://img.smallbamboo.cn/i/2025/03/24/67e0e5103d313.png)
![图片[3] - AI科研 编程 读书笔记 - 【人工智能】作物叶片病害分类去背景方法&MaxViT混合玉米数据集&模型改进实验-2025年3月22日人工智能组会总结 - AI科研 编程 读书笔记 - 小竹の笔记本](https://img.smallbamboo.cn/i/2025/03/24/67e0e526a17a3.png)
![图片[4] - AI科研 编程 读书笔记 - 【人工智能】作物叶片病害分类去背景方法&MaxViT混合玉米数据集&模型改进实验-2025年3月22日人工智能组会总结 - AI科研 编程 读书笔记 - 小竹の笔记本](https://img.smallbamboo.cn/i/2025/03/24/67e0e537b7c8c.png)
![图片[5] - AI科研 编程 读书笔记 - 【人工智能】作物叶片病害分类去背景方法&MaxViT混合玉米数据集&模型改进实验-2025年3月22日人工智能组会总结 - AI科研 编程 读书笔记 - 小竹の笔记本](https://img.smallbamboo.cn/i/2025/03/24/67e0e5475d2d1.png)
针对我的遥感模型,问题还是存在的,虽然有些提升,Potsdam测试集上的mIoU的下降幅度也有所降低,但总之还是需要进一步优化。暑假前先把ShiftingNet论文投出,遥感模型暑假时再说。
同时我也将论文二中的混合数据集自己分割出来了,在ShiftingNet上跑出了MixCorn Test Acc 最高98.73%的成绩,比论文二提出的改进MaxViT差了大概0.5%,这个模型下周还要继续改进。
目前改进的想法和MixCorn这个新的混合数据集效果还需实验进一步验证,目前ShiftingNet要保持当前的Acc进一步轻量化,或者保持当前的轻量化进一步提升Acc。
© 版权声明
若无特殊说明,文章版权归作者所有,请勿转载至任何平台。
THE END
暂无评论内容