期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于深度主动学习与CBAM的细粒度菊花表型识别
被引量：
6
1
作者
袁培森
丁毅飞
徐焕良
《农业机械学报》
EI
CAS
CSCD
北大核心
2024年第2期258-267,共10页
针对菊花种类繁多,花型差别细微,准确标注比较困难的问题,基于深度主动学习与混合注意力机制模块(Convolutional block attention module,CBAM),提出了一种标号数据不足情况下的菊花表型智能识别方法和框架。首先,通过主动学习策略基于...
针对菊花种类繁多,花型差别细微,准确标注比较困难的问题,基于深度主动学习与混合注意力机制模块(Convolutional block attention module,CBAM),提出了一种标号数据不足情况下的菊花表型智能识别方法和框架。首先,通过主动学习策略基于最优标号和次优标号法(Best vs second-best,BvSB)在未标记菊花样本中选取信息量较大的样本进行标记,并将标记后的样本放入训练样本中;其次,使用深度卷积神经网络ResNet50作为本文的主干网络训练标记样本,引入混合注意力机制模块CBAM,使模型能够更为准确地提取细粒度图像中的高层语义信息;最后,用更新后的训练样本继续训练分类模型,直到模型达到迭代次数后停止。实验结果表明,该方法在少量菊花标记样本下,精确率、召回率和F1值分别达到93.66%、93.15%和93.41%。本文方法可为标号数据不足情况下的菊花等花卉智能化识别提供技术支撑。
展开更多
关键词
菊花表型
细粒度图像识别
主动学习
ResNet50
注意力机制模块
在线阅读
下载PDF
职称材料
基于半监督主动学习的菊花表型分类研究
被引量：
4
2
作者
袁培森
任守纲
+1 位作者
翟肇裕
徐焕良
《农业机械学报》
EI
CAS
CSCD
北大核心
2018年第9期27-34,共8页
鉴于人工和专家分类模式的局限性,基于表型的菊花分类存在效率低下的问题。本文采用基于半监督主动学习技术,在已分类菊花数据的基础上,利用未标号菊花样本数据提供的信息,建立了菊花表型分类模型,提升了分类质量和效率。该模型可以不...
鉴于人工和专家分类模式的局限性,基于表型的菊花分类存在效率低下的问题。本文采用基于半监督主动学习技术,在已分类菊花数据的基础上,利用未标号菊花样本数据提供的信息,建立了菊花表型分类模型,提升了分类质量和效率。该模型可以不依赖外界交互,利用未标号样本来自动提升菊花分类的质量。为了训练学习模型,本文收集了菊花的表型特征数据,标注了菊花表型类别,并研究了菊花分类属性特征的编码技术。在此数据集上,采用基于图标号传播的半监督学习技术对未标号的菊花数据进行建模,为了提升半监督分类的有效性,在标号传播的基础上使用主动学习技术,采用熵最大策略来选择难以识别的样本,以改进分类质量。在该数据集上进行了试验验证,并进行了试验对比和分析,试验结果表明,本文方法能够较好地利用未标号菊花样本提升分类的精度,随着标号百分比从6.25%升至23%,识别精度达到0.7以上,标号百分比在81.25%时,平均识别精度和召回率分别达到0.91和0.88。
展开更多
关键词
菊花表型
分类
半监督学习
图模型
one-hot编码
主动学习
熵最大化
在线阅读
下载PDF
职称材料
题名
基于深度主动学习与CBAM的细粒度菊花表型识别
被引量：
6
1
作者
袁培森
丁毅飞
徐焕良
机构
南京农业大学人工智能学院
出处
《农业机械学报》
EI
CAS
CSCD
北大核心
2024年第2期258-267,共10页
基金
国家自然科学基金项目(61502236)
国家级创新训练专项项目(202310307095Z)
江苏省研究生实践创新计划项目(SJCX23_0203)。
文摘
针对菊花种类繁多,花型差别细微,准确标注比较困难的问题,基于深度主动学习与混合注意力机制模块(Convolutional block attention module,CBAM),提出了一种标号数据不足情况下的菊花表型智能识别方法和框架。首先,通过主动学习策略基于最优标号和次优标号法(Best vs second-best,BvSB)在未标记菊花样本中选取信息量较大的样本进行标记,并将标记后的样本放入训练样本中;其次,使用深度卷积神经网络ResNet50作为本文的主干网络训练标记样本,引入混合注意力机制模块CBAM,使模型能够更为准确地提取细粒度图像中的高层语义信息;最后,用更新后的训练样本继续训练分类模型,直到模型达到迭代次数后停止。实验结果表明,该方法在少量菊花标记样本下,精确率、召回率和F1值分别达到93.66%、93.15%和93.41%。本文方法可为标号数据不足情况下的菊花等花卉智能化识别提供技术支撑。
关键词
菊花表型
细粒度图像识别
主动学习
ResNet50
注意力机制模块
Keywords
chrysanthemum phenotype
fine-grained image recognition
active learning
ResNet50
attention mechanism module
分类号
S4 [农业科学—植物保护]
在线阅读
下载PDF
职称材料
题名
基于半监督主动学习的菊花表型分类研究
被引量：
4
2
作者
袁培森
任守纲
翟肇裕
徐焕良
机构
南京农业大学信息科学技术学院
国家信息农业工程技术中心
马德里理工大学技术工程和电信系统高级学院
出处
《农业机械学报》
EI
CAS
CSCD
北大核心
2018年第9期27-34,共8页
基金
国家自然科学基金项目(61502236)
中央高校基本科研业务费专项资金项目(KYZ201752
KJQN201651)
文摘
鉴于人工和专家分类模式的局限性,基于表型的菊花分类存在效率低下的问题。本文采用基于半监督主动学习技术,在已分类菊花数据的基础上,利用未标号菊花样本数据提供的信息,建立了菊花表型分类模型,提升了分类质量和效率。该模型可以不依赖外界交互,利用未标号样本来自动提升菊花分类的质量。为了训练学习模型,本文收集了菊花的表型特征数据,标注了菊花表型类别,并研究了菊花分类属性特征的编码技术。在此数据集上,采用基于图标号传播的半监督学习技术对未标号的菊花数据进行建模,为了提升半监督分类的有效性,在标号传播的基础上使用主动学习技术,采用熵最大策略来选择难以识别的样本,以改进分类质量。在该数据集上进行了试验验证,并进行了试验对比和分析,试验结果表明,本文方法能够较好地利用未标号菊花样本提升分类的精度,随着标号百分比从6.25%升至23%,识别精度达到0.7以上,标号百分比在81.25%时,平均识别精度和召回率分别达到0.91和0.88。
关键词
菊花表型
分类
半监督学习
图模型
one-hot编码
主动学习
熵最大化
Keywords
chrysanthemum phenotype classification
semi-supervised learning
graph model
one-hotencode
active learning
entropy maximum
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于深度主动学习与CBAM的细粒度菊花表型识别
袁培森
丁毅飞
徐焕良
《农业机械学报》
EI
CAS
CSCD
北大核心
2024
6
在线阅读
下载PDF
职称材料
2
基于半监督主动学习的菊花表型分类研究
袁培森
任守纲
翟肇裕
徐焕良
《农业机械学报》
EI
CAS
CSCD
北大核心
2018
4
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
