基于改进FixMatch算法的半监督番茄病虫害识别

为了快速准确地识别番茄叶片病虫害,从而提升番茄产量和品质,在有限设备资源条件下实现番茄病虫害的精准防治,针对以往番茄病虫害识别算法数据标注成本过高的问题,提出一种基于改进FixMatch算法的半监督番茄病害图像识别方法。首先,对真实场景采集的番茄病虫害数据进行深入分析,挖掘出数据集规模不明、类间数据不均衡性较为严重的特性,在原始FixMatch算法的基础上,引入k-means聚类算法筛选出代表性数据进行标注,以提高标注数据的性价比。其次,设计一种自适应伪标签数据补充模块,使得在半监督分类算法迭代过程中,自适应地调整不同类别的伪标签判定阈值,并且引入Focal Loss,以保证模型免受类别不均衡的影响。试验结果表明,在kaggle提供的公开数据集New Plant Diseases Dataset的10种番茄病害上,本研究提出的半监督番茄病虫害识别算法仅使用2000张(约训练数据的10%)的标注数据进行模型训练,在测试集上的准确率可达到98.16%,比原始FixMatch算法提高了1.34百分点。经过对比试验表明,本研究提出的基于k-means聚类算法的代表数据预选模块比随机挑选的准确率提高23.92百分点,基于自适应阈值截断的伪标签判断模块在困难样本类别上比原始FixMatch算法高出5.00百分点。综上所述,本研究所提出的基于改进FixMatch算法的半监督番茄病虫害识别算法能够提高半监督图像识别任务的准确率,对于真实场景下如何挑选数据标注以及如何制定训练过程中的伪标签监督策略都有着积极的参考意义,降低了番茄病虫害识别模型的数据标注成本,助力智慧农业发展。

基于半监督深度学习的网络恶意加密流量识别方法

针对TLS恶意流量识别方法存在大量标记样本获取困难、无标记样本没有充分利用、模型对于未知样本识别率较低等问题,提出基于半监督深度学习的网络恶意加密流量识别方法。该方法能够利用大量未标记网络流量用于模型训练,提升分类模型的泛化能力。该方法首先借助网络流量图片化方法将原始流量PCAP转换为灰度图,然后借助FixMatch框架对实现少标记样本下恶意流量进行识别。在公开数据集CTU-Malware-Capture和USTCTFC2016上对模型训练和测试,结果表明:FixMatch模型在准确率、精确度、召回率和F1值这4个指标上均优于PseudoLabel、MixMatch和ICT方法。此外,在少标记样本量情况下,FixMatch模型对恶意加密流量的识别优势更为明显。

基于半监督学习网络的雷达有源干扰识别

为提升具有少量标签的雷达有源干扰信号识别性能,提出一种基于半监督学习(SSL)网络的雷达有源干扰识别方法。首先,建立雷达有源干扰模型;然后,利用时频分析方法提取信号高维特征,并构建雷达有源干扰信号数据集;最后,开展基于FixMatch算法的雷达有源干扰识别。仿真结果表明,在数据集具有28个标签时模型精度为87.6%,具有175个标签时模型精度为92.8%,具有2800个标签时模型精度为94.7%。验证了SSL算法在具有少量标签的雷达有源干扰信号识别中有较好的效果。