【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

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
完整PPT不公开,谢谢理解

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
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
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
分析:Vaihingen和Potsdam较为稳定,而LoveDA的最大&平均差达到了0.49%。
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

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
THE END
点赞11 分享
评论 抢沙发
头像
欢迎您留下宝贵的见解!
提交
头像

昵称

取消
昵称表情代码图片快捷回复

    暂无评论内容