典型文献
基于破坏与重建学习的植物病虫害细粒度分类方法
文献摘要：
目前,我国对植物病虫害的分类主要依靠人工分类的方法,造成了人力浪费、资源利用率低等问题.属于同一类别的植物叶片通常具有极其相似的颜色、形状等外观特征,常规分类方法难以区分.为提高分类速度与准确率,提出一种改进破坏与重建学习方法的病虫害检测器.针对模型参数量大的问题,引入RepVGG轻量化网络替换ResNet50作为主干网络,减少参数量和计算量.针对训练过程中因维度降低导致识别准确率低的问题,引入有效通道注意力机制(Effcient Channel Attention,ECA)模块,在增加少量模型复杂性的同时提高检测精度.试验结果表明,改进后的破坏与重建模型准确率可达到96.74％.与ResNet50、VGG16、RepVGG等模型的病虫害识别对比试验结果表明,所提的模型比其他模型的平均精度提升了4.64％～9.9％,具有更高的分类精度.
文献关键词：
破坏与重建学习;细粒度分类;有效通道注意力机制(ECA);病虫害识别
中图分类号：
作者姓名：
万家乐;李俊丽
作者机构：
昆明理工大学 信息与自动化学院,云南 昆明 650206
文献出处：
引用格式：
[1]万家乐;李俊丽-.基于破坏与重建学习的植物病虫害细粒度分类方法)[J].电视技术,2022(02):34-39
A类：
破坏与重建学习,Effcient
B类：
植物病虫害,细粒度分类,分类方法,对植,工分,资源利用率,植物叶片,外观特征,病虫害检测,检测器,模型参数量,RepVGG,轻量化网络,ResNet50,主干网络,计算量,训练过程,识别准确率,有效通道注意力机制,Channel,Attention,ECA,模型复杂性,高检,检测精度,模型准确率,VGG16,病虫害识别,精度提升,分类精度
AB值：
0.305169
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
