植物叶片识别与视频异常检测技术解析

### 植物叶片识别与视频异常检测技术解析 #### 植物叶片识别网络 植物叶片由于姿态、背景和拍摄角度的不同，同一类叶片存在较大的内部差异。细粒度图像分类（FGVC）近年来成为计算机视觉、模式识别等领域的热门研究课题，其目的是对属于同一基本类别的图像进行更详细的子类别划分。 ##### 细粒度图像分类方法 目前，大多数细粒度图像分类方法基于深度卷积网络，大致可分为四个方向： 1. 基于常规图像分类网络的微调方法。 2. 基于细粒度特征学习的方法。 3. 基于目标块检测和对齐的方法。 4. 基于视觉注意力机制的方法。 ##### 分层渐进训练方法 基于FGVC的思想，设计了一种分层渐进训练方法。将训练网络设计成不同层次，浅层网络负责提取更细粒度的特征信息，深层网络负责提取更粗粒度的特征信息。采用拼图生成方法形成不同层次的粒度，让网络关注不同尺度的特征。不仅积累不同层次的粒度信息，还将浅层获得的粒度特征信息传递到深层网络结构中，使深层网络能识别更粗粒度的置信度。 ##### 数据集与方法 - **数据集**：使用ICL植物叶片数据集，该数据集由同济大学机器学习与系统生物学研究所整理，与合肥植物园合作建立，涵盖220种植物，共16,851张植物图片。由于拍摄仪器不同，图像大小各异，需进行数据预处理，将每张图像的最长边缩放至256像素，另一边按原比例缩放，最终得到256 * 256像素的标准数据集。同时，采用旋转、翻转和裁剪的方法进行数据增强，最终数据集大小为原始数据集的10倍。 - **方法**：采用基于FGVC的分层渐进训练方法，将整个训练网络分为N个层次进行训练，先训练低层网络，再训练高层网络。以vgg16为例，将其拆分为五个卷积块进行训练，每个卷积块由2个卷积层和1个最大池化层组成。在训练第i + 1个卷积块时，冻结第i + 1到第n个卷积块，每次只训练一个卷积块的输出，将输出直接发送到由3个全连接层组成的分类器，迭代更新损失值。在更深层网络的每次迭代训练中，通过模拟退火方法逐渐减小先前训练网络的迭代参数。训练数据采用渐进训练处理，浅层网络训练采用切片拼图后的重组数据，切片数量的计算方法为2n−i，其中i表示第i层网络，n表示全局网络层总数。 - **损失函数**：采用先训练浅层网络再训练深层网络的渐进训练方法，使用交叉熵损失函数计算损失，公式为： \[L(y, y_{truth}) = - \sum_{j=1}^{T} y_j \times \log y_j\]