【技术实现步骤摘要】
一种基于细粒度特征的叶片分类方法和系统
[0001]本专利技术涉及机器学习
,具体涉及一种基于细粒度特征的叶片分类方法和系统
。
技术介绍
[0002]在叶片分类技术当中,使用深度学习的方法对叶片进行分类得到了广泛的研究和应用,目前叶片分类的方法一般是使用深度学习提取原始叶片的纹理
、
形状等特征,以此对叶片进行分类
。
然而这种方法很有可能忽视叶片图像的一些局部细粒度特征,导致不同类别的叶片图像在全局相似时会变得难以区分
。
[0003]文献1(
Munisami T , Ramsurn M , Kishnah S ,et al.Plant Leaf Recognition Using Shape Features and Colour Histogram with K
‑
nearest Neighbour Classifiers[J].Procedia Computer Science, 2015.
)通过提取叶片形状(如叶子的长度和宽度
、
叶子的面积
、
叶子的周长等)和颜色直方图等特征,使用
K
近邻分类器对这些特征进行分类,从而实现叶片分类
。
此方法基于叶片的一些基本特征来实现分类,鲁棒性与泛化性都较差,在一些复杂的任务中精度会大大降低
。
[0004]文献2(
Alamoudi S , Hong X , Wei H .P ...
【技术保护点】
【技术特征摘要】
1.
一种基于细粒度特征的叶片分类方法,包括以下步骤:步骤一:随机选取训练集两张相同类别的叶片,对两张叶片以分区块的方式随机重组出两张新的图像;步骤二:使用深度学习网络提取原始叶片图像和重组图像的特征,在特征层之后使用全连接层输出图像分类特征,并计算分类损失和对抗损失,从而迭代更新网络
。2.
如权利要求1所述的一种基于细粒度特征的叶片分类方法,其特征在于,步骤一包括:首先将两张图像放缩至同一尺寸,然后将两张叶片图像划分成等比例的若干小块叶片局部图像,再将叶片局部图像分成二等分,以所述的若干小块相同数目的叶片局部图像进行随机重组,拼接即得到两个包含所述的若干小块相同数目的叶片局部图像的图像集,并给重组图打上重组标签,原图打上原图标签;重复此步骤,直至训练集所有图像都得到重组图像
。3.
如权利要求2所述的一种基于细粒度特征的叶片分类方法,其特征在于,步骤一所述的将两张图像放缩至同一尺寸,系
512*512。4.
如权利要求2所述的一种基于细粒度特征的叶片分类方法,其特征在于,步骤一中将两张叶片图像划分成等比例的
8*8
小块,即得到
2*8*8
小块的叶片局部图像,再将这
128
小块图像分成二等分,以
8*8
的方式进行随机重组,拼接即得到两张
8*8
小块重组的图像
。5.
如权利要求1所述的一种基于细粒度特征的叶片分类方法,其特征在于,所述步骤二具体包括:(
2.1
)模型网络构建,并初始化模型参数;使用主流的卷积神经网络作为网络的主干模型,主干网络既用于提取原始叶片图像的特征,也用于提取重组图像的特征,将计算分类损失的分类损失网络和计算对抗损失的对抗损失网络作为网络的头部网络;完成整个网络模型的构建之后,对网络当中所有的参数进行初始化,包括神经网络的模型参数初始化和控制迭代的超参数初始化;在具体训练时,在头部网络前加一个全连接层,用来连接主干网络提取出的特征和分类预测;设置迭代的次数
epoch
使分类损失和对抗损失的总损失达到收敛;(
2.2
)使用神经网络提取叶片图像的细粒度特征和全局特征;首先使用主干网络分别提取原始图像和重组图像的特征,经过全连接层之后,再输入分类网络当中时,当分类网络发现难以提取重组图像的全局特征时,分类网络将专注于重组图像当中的局部细粒度特征学习;在输入到对抗网络中时,对抗网络将集中于原始图像的特征学习以区分出原始图像与重组图...
【专利技术属性】
技术研发人员:应志文,章依依,王军,徐晓刚,于慧,程志远,曹卫强,韩强,
申请(专利权)人:中国科学院东北地理与农业生态研究所,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。