基于特征重组网络的小样本农作物病害叶片检测

针对现有作物病害叶片检测模型的性能过度依赖大量带标注数据集以及预训练模型的泛化性不强等问题,提出一种基于特征重组网络的小样本农作物病害叶片检测方法。首先,采用支持分支和查询分支的双分支网络结构,将支持图像和查询图像映射到深度特征空间,并在支持分支中采用特征增强网络缓解映射特征与原始标注不对齐的问题。其次,借助全局平均池化策略生成初始原型,利用该原型反向指导原始支持图像中病害叶片的识别,并根据初始识别结果对原型进行优化。再次,通过比对识别区域与原始标注之间的特征差异,构造辅助原型与主域原型。最后,融合原始原型、辅助原型和主域原型,构造多原型集,并利用度量方法计算原型集与查询特征间的关联,根据关联值给出预测标签。在自建的橘子、番茄和苹果等病害叶片数据集上进行测试,所提出方法分别获得了97.18%的精准率、97.31%的召回率、96.90%的F 1分数和84.71%的FB-IoU,优于主流的目标检测方法。