Полное описание
>
Uzhinskiy, A. V. One-shot learning with triplet loss for vegetation classification tasks / A. V. Uzhinskiy, G. A. Ososkov, P. V. Goncharov, A. V. Nechaevskiy, A. A. Smetanin. - DOI 10.18287/2412-6179-CO-856. - Текст : непосредственный // Компьютерная оптика : научный журнал. - 2021. - Том 45, N 4. - С. 608-614. - Библиогр. в конце ст.
(Шифр в БД У4735/2021/45/4)
ГРНТИ | УДК | |
50 | 004 | |
28.23.37 | 004.032.26 | |
68.37.13 | 632 |
Рубрики:
Искусственный интеллект -- Нейронные сети -- Применение в сельском хозяйстве
Сельское хозяйство -- Растениеводство
Кл.слова (ненормированные): deep neural networks -- siamese networks -- triplet loss -- plant diseases detection -- moss species classification -- глубокие нейронные сети -- сиамские сети -- потеря триплетов -- выявление заболеваний растений -- классификация видов мхов
Аннотация: Triplet loss function is one of the options that can significantly improve the accuracy of the One-shot Learning tasks. Starting from 2015, many projects use Siamese networks and this kind of loss for face recognition and object classification. In our research, we focused on two tasks related to vegetation. The first one is plant disease detection on 25 classes of five crops (grape, cotton, wheat, cucumbers, and corn). This task is motivated because harvest losses due to diseases is a serious problem for both large farming structures and rural families. The second task is the identification of moss species (5 classes). Mosses are natural bioaccumulators of pollutants; therefore, they are used in environmental monitoring programs. The identification of moss species is an important step in the sample preprocessing. In both tasks, we used self-collected image databases. We tried several deep learning architectures and approaches. Our Siamese network architecture with a triplet loss function and MobileNetV2 as a base network showed the most impressive results in both above-mentioned tasks. The average accuracy for plant disease detection amounted to over 97.8 % and 97.6 % for moss species classification. = Функция потери триплетов - одна из опций, которая может значительно повысить точность задач One-shot Learning. Начиная с 2015 года многие проекты используют сиамские сети и такого рода потери для распознавания лиц и классификации объектов. В данном исследовании внимание сосредоточено на двух задачах, связанных с растительностью. Первая - обнаружение болезней растений на 25 классах пяти культур (виноград, хлопчатник, пшеница, огурцы и кукуруза). Эта задача мотивирована тем, что потери урожая из-за болезней являются серьезной проблемой как для крупных фермерских структур, так и для сельских семей. Вторая задача - определение видов мхов (5 классов). Мхи являются природными биоаккумуляторами загрязняющих веществ; поэтому они используются в программах мониторинга окружающей среды. Идентификация видов мхов является важным этапом предварительной обработки образца. В обеих задачах использованы самостоятельно собранные базы данных изображений. Испробованы несколько архитектур и подходов глубокого обучения. Сиамская сетевая архитектура с функцией потери триплетов и MobileNetV2 в качестве базовой сети показала самые впечатляющие результаты в обеих вышеупомянутых задачах. Средняя точность определения болезней растений составила более 97,8 %, а классификации видов мхов - 97,6 %.
Доп. точки доступа:
Ososkov, G.A.
Goncharov, P.V.
Nechaevskiy, A.V.
Smetanin, A.A.
>
Имеются экземпляры в отделах: всего 2 : ПНТ (1), ХРЦ (1)
Свободны: ПНТ (1), ХРЦ (1)
Переход по DOI
Заказ фрагмента документа ₽