典型文献
基于卷积块注意力胶囊网络的小样本水稻害虫识别
文献摘要：
针对真实复杂背景下小样本水稻害虫识别模型泛化能力弱,易受复杂背景干扰以及重要特征表达能力不强等问题,提出了 一种基于卷积块注意力胶囊网络的小样本水稻害虫识别方法.采用数据增强的方法扩充数据,以提高模型的泛化能力同时预防过拟合;利用GrabCut算法去除图像中的复杂背景,减小复杂背景对水稻害虫识别的干扰;将空间注意机制和通道注意机制相结合的卷积块注意模块(Convolutional block attention module,CBAM)引入到胶囊网络中,提高模型对水稻害虫特征的表达能力,使模型关注重要特征,抑制不必要的特征.其中胶囊网络主要用来更加敏锐地发现小样本图像中水稻害虫的相对位置和角度等信息.结果表明:在对复杂背景下小样本水稻害虫的识别时,本研究方法准确识别率达99.19％,优于支持向量机(Support vector machine,SVM)、k 近邻(k-nearest neighbors,kNN)等浅层网络方法,也优于 VGG16、GoogLeNet 以及 Mobilenet 等深度网络方法,可实现复杂背景下的小样本水稻害虫的准确识别.
文献关键词：
水稻害虫;害虫识别;卷积神经网络;胶囊网络;注意力机制
中图分类号：
作者姓名：
曾伟辉;唐欣;胡根生;梁栋
作者机构：
安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心,合肥230601;安徽大学互联网学院,合肥230039;科大国创软件股份有限公司,合肥230088
文献出处：
引用格式：
[1]曾伟辉;唐欣;胡根生;梁栋-.基于卷积块注意力胶囊网络的小样本水稻害虫识别)[J].中国农业大学学报,2022(03):63-74
A类：
B类：
卷积块注意力,注意力胶囊网络,水稻害虫,害虫识别,复杂背景,识别模型,模型泛化,泛化能力,背景干扰,特征表达,表达能力,数据增强,充数,过拟合,GrabCut,注意机制,通道注意,卷积块注意模块,Convolutional,block,attention,module,CBAM,不必要,敏锐地,小样本图像,相对位置,准确识别,识别率,Support,vector,machine,近邻,nearest,neighbors,kNN,VGG16,GoogLeNet,Mobilenet,深度网络,注意力机制
AB值：
0.338101
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。
