基于MobileNetV3模型的农作物病害识别研究

文章探究MobileNetV3模型在农作物病害识别领域的性能,同时对比MobileNetV3使用挤压和激励网络(Squeeze-and-Excitation Networks,SENet)和高效通道注意力(Efficient Channel Attention,ECA)不同注意力机制之间的性能差异。实验结果表明:在PlantVillage数据集上,MobileNetV3比ShuffleNetV2、MobileNetV2等轻量级模型精确度效果更好,准确率达到了99.40%,而使用了ECA注意力机制的MobileNetV3准确率为99.24%,依旧达到了优秀模型的水准。

基于DeepLabv3+改进在图像分割中的应用

在图像语义分割中,针对物体边界分割不完整、模型参数量较多等问题,为满足遥感图像语义分割任务对精度和部署便捷的要求,对DeepLabv3+网络进行了改进。将MobileNetV3替换成Xception作为特征提取主干网络,使模型轻量化,再将空洞空间卷积池化金字塔(Atrous Spatial Pyramid Pooling,ASPP)中第一个分支中1×1卷积换成ACmix,以获取更多的特征。实验表明,与典型的语义分割模型相比,改进的模型不仅有较少的模型参数,而且提高了分割精度和训练效率。