-
题名基于GAN-DCNN的树叶识别
- 1
-
-
作者
徐竞怡
张志
闫飞
张雯悦
-
机构
北京林业大学精准林业北京市重点实验室
中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室
中国科学院大学
商汤科技研究院
-
出处
《林业科学》
EI
CAS
CSCD
北大核心
2024年第4期40-51,共12页
-
基金
北京林业大学中央高校基本科研业务费专项资金项目(2017PT07)
西藏自治区科技厅中央引导地方项目(XZ202301YD0043C)
北京林业大学2021年大学生创新训练项目(X202110022004)。
-
文摘
【目的】利用深度学习进行树叶识别时需要大量训练样本,当样本量不足、图像风格单一会导致识别准确率不稳定。研究利用少量的样本进行树叶图像增殖和风格转换,可极大减轻数据采集的负担,为提升林业调查信息化、智能化提供有效的技术手段和理论支撑。【方法】采集6种树种的树叶图像建立数据集,引入light-weight GAN对图像进行增殖和风格转换,扩充人工拍摄的树叶数据集,通过在该数据集与原数据集上分别应用AlexNet、GoogLeNet、ResNet34和ShuffleNetV2四种深度卷积神经网络进行训练,分析生成对抗网络的图像增殖技术在树叶识别中的作用。综合模型准确率和训练时间等性能指标选择最优模型,同时对模型的学习率进行调整。使用测试样本对参数优化后的模型进行验证,分析该方法在实践中的可行性和意义。【结果】基于生成对抗网络生成的样本具有高清晰度,高保真性,能够有效地辅助神经网络模型的训练工作,同时也丰富了样本类别,使之获得包含更多不同季节、形状、健康状况的树叶图像。与原始数据集相比,AlexNet、GoogLeNet、ResNet34和ShuffleNetV2四种网络在新数据集的训练上均表现出训练误差更小、验证精度更高的特点,其中学习率为0.01的ShuffleNetV2模型对该数据集的训练效果最好,训练时最高验证精度为99.7%。使用未参与训练的测试样本对该模型进行验证,模型对各树叶的识别效果较好,模型的总体识别准确率高达99.8%。与未使用GAN技术的普通深度卷积神经网络相比,本文提出的模型对树叶识别准确率明显提升。【结论】生成对抗网络可以有效地扩充图像数量,对图像进行风格转换,与深度卷积神经网络相结合,可以显著提高树叶识别准确率,适合应用于林业树叶识别领域。
-
关键词
树叶识别
生成对抗网络
深度卷积神经网络
-
Keywords
leaf identification
generative adversarial networks
deep convolutional neural networks
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于注意力机制的树木叶片分类识别方法研究
- 2
-
-
作者
赵新瑞
张雯悦
徐竞怡
闫飞
-
机构
西藏自治区林芝市自然资源局
-
出处
《高原农业》
2024年第4期393-403,共11页
-
基金
西藏自治区科技厅中央引导地方项目(XZ202301YD0043C),多源激光雷达结合数字孪生的藏东南优势树种固碳能力研究。
-
文摘
本文将注意力机制分类模型——Vision Transformer(ViT)应用于树种分类识别任务,旨在探索更高精度和更高效率的树种识别模型。本研究共设计了三组对比实验:(1)用ViT和ResNet50在实验环境的数据集上进行训练、验证和测试,(2)为Vi T模型设置不同的深度进行训练,(3)用ViT和ResNet50在真实环境的数据集上进行训练、验证和测试。结果表明,无论是实验环境的数据集,还是真实环境的数据集,ViT模型都达到了与ResNet50模型相当的分类性能,并且ViT模型的时间效率明显优于ResNet50。此外,本研究还展示了Vi T对真实环境的图像进行分类时的类激活热力图,发现ViT模型更关注树叶本身尤其是树叶边缘而忽略了复杂的背景,从而有效提高了分类精度。结果说明,两个模型分类精度相当,但ViT的收敛速度明显更快,学习特征的能力更强,泛化能力也更强。本研究是将ViT应用在树种分类识别这一具体任务上的一次有益尝试,为后续融合ViT与CNN优势,以更高的效率、更小的数据需求、在更复杂的高原林业数据集上进行树种识别研究奠定基础。
-
关键词
树种识别
注意力机制
卷积神经网络
可视化
-
Keywords
Tree species identification
Attention mechanism
Convolutional neural network
Visualization
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-