10.11975/j.issn.1002-6819.2022.20.019
基于半监督学习的松林变色疫木检测方法
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.
无人机、图像识别、松林疫木检测、半监督学习、目标检测
38
TP391.41(计算技术、计算机技术)
国家林业;草原局重大应急科技项目;国家重点研发计划
2023-02-10(万方平台首次上网日期,不代表论文的发表时间)
共7页
164-170