典型文献
基于半监督学习的松林变色疫木检测方法
文献摘要：
针对模型训练中数据标注成本过高的问题,提出一种基于无人机图像分析的半监督变色疫木目标检测方法.该方法提出级联抗噪声半监督目标检测模型(Cascade Noise-Resistant Semi-supervised object detection,CNRS),使用抗噪声学习提升模型对伪标签的学习质量;通过级联网络解决训练中正负样本的分布问题;使用ResNet50和特征金字塔网络结构增强模型对多尺寸和小目标疫木的识别能力;在监督学习阶段使用FocalLoss,提升网络对边缘目标和早期疫木等困难样本的学习,使用SmoothL1Loss保证梯度相对稳定;在RCNN阶段使用软化非极大抑制软化检测框剔除过程.该文提出的半监督目标检测模型CNRS使用训练集中半数标注的数据进行训练,试验结果表明,最优模型在测试集上的平均精度(Average Precision,AP)可达87.7％,与Faster RCNN使用完全标注数据相比,标注量减少了50％,且AP提升了2.3个百分点,与同时期最先进的半监督模型Combating Noise相比,AP提升了1.6个百分点.该方法在准确检出多种不同形态疫木的基础上,大幅度降低了数据标注成本,为农林病虫害防治提供了可靠的数据支持.
文献关键词：
无人机;图像识别;松林疫木检测;半监督学习;目标检测
中图分类号：
作者姓名：
赵昊;刘文萍;周焱;骆有庆;宗世祥;任利利
作者机构：
北京林业大学信息学院,北京 100083;北京林业大学林学院,北京 100083
文献出处：
引用格式：
[1]赵昊;刘文萍;周焱;骆有庆;宗世祥;任利利-.基于半监督学习的松林变色疫木检测方法)[J].农业工程学报,2022(20):164-170
A类：
SmoothL1Loss,松林疫木检测
B类：
半监督学习,变色,模型训练,数据标注,无人机图像,图像分析,目标检测方法,抗噪声,目标检测模型,Cascade,Noise,Resistant,Semi,supervised,object,detection,CNRS,声学,伪标签,学习质量,级联网络,中正,正负样本,ResNet50,特征金字塔网络结构,结构增强,增强模型,多尺寸,小目标,识别能力,FocalLoss,困难样本,RCNN,软化,非极大抑制,除过,训练集,半数,最优模型,测试集,Average,Precision,AP,Faster,百分点,最先,半监督模型,Combating,多种不同,不同形态,大幅度降低,农林,病虫害防治,图像识别
AB值：
0.425223
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。
