Применение методов доменной адаптации в задаче классификации растений по изображениям их листьев
Боковая панель статьи
Основное содержимое статьи
Аннотация
Потери урожая из-за болезней растений являются серьезной проблемой для сельского хозяйства и экономики. В ЛИТ ОИЯИ была разработана платформа для определения болезней растений (PDDP). В PDDP для решения проблемы распознавания болезней растений по фотографиям их листьев успешно используются методы глубокого обучения. Такие методы требуют большой обучающей выборки. В то же время существует ряд методов, используемых для решения задач классификации в случае малой обучающей выборки. К таким методам относятся методы доменной адаптации. В работе проведено сравнение трех методов: Domain-Adversarial Training of Neural Networks (DANN), двухэтапный перенос обучения и Unsupervised Domain Adaptation with Deep Metric Learning (M-ADDA). M-ADDA позволил достигнуть точности классификации 92%.
Скачивания
Информация о статье
Библиографические ссылки
Потеря урожая // Справочник «Экология». — 2019. — [Электронный ресурс]. URL: https://ruecology.info/term/9058/.
Платформа для определения болезней растений // ЛИТ ОИЯИ. — 2019. — [Электронный ресурс]. URL: http://pdd.jinr.ru/.
Uzhinskiy A. et al. Multifunctional Platform and Mobile Application for Plant Disease Detection / A. Uzhinskiy, G. Ososkov, P. Goncharov, A.Nechaevskiy //Proceedings of the 27th Symposium on Nuclear Electronics and Computing (NEC 2019), Budva, Montenegro. — 2019. — Vol. 2507. — P. 110-114.
Приложение для определения болезней растений // Plantix. — 2019. — [Электронный ресурс]. URL: https://plantix.net/en/.
Goncharov P. et al. Deep Siamese Networks for Plant Disease Detection / Pavel Goncharov, Alexander Uzhinskiy, Gennady Ososkov, Andrey Nechaevskiy and Julia Zudikhina // EPJ Web of Conferences. — EPJ Sciences, 2020. — Vol. 226. — P. 03010.
One Model To Learn Them All // Cornell University. — 2019. — [Электронный ресурс]. URL: https://arxiv.org/pdf/1707.00600.pdf.
Rice Leaf Diseases Classification Using CNN With Transfer Learning. — [Электронный ресурс]. URL: https://ieeexplore.ieee.org/abstract/document/9106423.
Dataset of diseased plant leaf images and corresponding labels. — [Электронный ресурс]. URL: https://github.com/spMohanty/PlantVillage-Dataset.
Николенко С., Кадурин А., Архангельская Е. Глубокое обучение // Спб.: Питер, 2018. — С. 480.
ImageNet. — [Электронный ресурс]. URL: http://www.image-net.org/.
Сметанин А. А., Гончаров П. В., Ососков Г. А. Выбор методов глубокого обучения для решения задачи распознавания болезней растений в условиях малой обучающей выборки // Системный анализ в науке и образовании: сетевое научное издание. №1. — Дубна, 2020. — №1. — [Электронный ресурс]. URL: http://www.sanse.ru/archive/55.
Обзор основных методов Deep Domain Adaptation (Часть 1) // Блог компании Mail.ru Group. — 2018. — [Электронный ресурс]. URL: https://habr.com/ru/company/mailru/blog/426803/.
Batch Normalization для ускорения обучения нейронных сетей. — [Электронный ресурс]. URL: https://habr.com/ru/post/309302/.
Функции активации нейросети. — [Электронный ресурс]. URL: https://neurohive.io/ru/osnovy-datascience/activation-functions/.
PyTorch optim. — [Электронный ресурс]. URL: https://pytorch.org/docs/stable/optim.html.
Florian Schroff, Dmitry Kalenichenko, James Philbin // FaceNet: A Unified Embedding for Face Recognition and Clustering. — [Электронный ресурс]. URL: https://arxiv.org/pdf/1503.03832.pdf.
Открытая программная библиотека для машинного обучения TensorFlow. — [Электронный ресурс]. URL: https://www.tensorflow.org/.
Репозиторий GitHub. — [Электронный ресурс]. URL: https://github.com/rezvaya/.