田間小麥病害自動(dòng)診斷系統(tǒng)(編輯修改稿)
2024-09-01 09:40 本頁面
【文章內(nèi)容簡介】 188。FS240。PC電腦K2 K1；。..；電腦專業(yè)222。188。P NK J188。1pc KJ EAPC KJ P J188。NK 1eapc kJ；240。2222。其中一個(gè)是一個(gè)恒定的控制程度，softmax聚合函數(shù)近似硬最大聚合函數(shù)。從本質(zhì)上講，這種形式使得一個(gè)softmax基于包的所有實(shí)例加權(quán)考慮袋水平估計(jì)。請注意，我們只是依賴于包級標(biāo)簽來執(zhí)行基于梯度的反向傳播算法在MIL假設(shè)。完全卷積網(wǎng)絡(luò)（FCN）一般來說，CNN由四部分組成：卷積層，合并層，完全連接層和輸出層。 CNN將圖像或一幅圖像作為輸入，并輸出所有類別的概率分布。 CNN中每個(gè)卷積層的輸出是一個(gè)尺寸為d？的三維張量， H ？ w，稱為特征地圖，其中h和w是特征地圖的空間維度，d是特征地圖或通道的數(shù)量。較高層中的區(qū)域?qū)?yīng)于輸入圖像中的特定區(qū)域，其被稱為各自的字段。以VGGCNNVD16為例（Simonyan和Zisserman，2014），其最終輸出的相應(yīng)領(lǐng)域?qū)嶋H上是整個(gè)224？ 224圖像?；趶埩孔冃?，完全連接的層可以轉(zhuǎn)化為卷積表示，如圖3所示。在這項(xiàng)工作中，VGGCNNVD16的完全連接層的通道從f4096。 4096。 1000修改至1024。 1024。 C，其中C是我們?nèi)蝿?wù)中的類別數(shù)量，因此第一個(gè)完全連接層的權(quán)重矩陣大小為20。 ，首先完全連接的層的權(quán)重被重新整形成尺寸為1024 512？ 7？ 7的4維張量。1024個(gè)卷積核大小為512？ 7？ ，處理其他完全連接層以獲得稱為VGGFCNVD16的FCN。相對而言，還引入了相對較淺的CNN架構(gòu)VGGCNNS（Chatfield等，2014），以發(fā)揮與VGGCNNVD16相同的操作，形成新的FCN，名為VGGFCNS。圖3。從改性vggnvd16轉(zhuǎn)化vggfvd16圖。在綠色中突出顯示的數(shù)字表示附近的特征地圖或圖像的大小，而黑色的斜體數(shù)字表示特征映射的數(shù)量。最佳顏色觀看。（為了解釋這個(gè)圖例中對顏色的引用，讀者可以參考本文的Web版本）。以VGGFCNVD16為例，我們可以獲得每個(gè)疾病的空間分?jǐn)?shù)圖，？直觀上，地圖中的每個(gè)得分點(diǎn)近似等于通過將原始CNN應(yīng)用于原始圖像上的固定尺寸滑動(dòng)窗口而生成的近似值。這種架構(gòu)使我們能夠?yàn)g覽所有可能的位置以找到醒目的物體?？紤]到一幅圖像的疾病區(qū)域可能會占用小區(qū)域，我們將原始圖像的大小調(diào)整為832？ 832，這導(dǎo)致約20？ VGGCNNVD16配置下20個(gè)分?jǐn)?shù)圖。顯然，每個(gè)得分點(diǎn)對應(yīng)一個(gè)224？調(diào)整大小后的輸入圖像中的224平方區(qū)域。由于五個(gè)合并層和2？ 2 VGGCNNVD16的池化尺寸，滑動(dòng)窗口的步幅為25247。32。相對于原始CNN作用于原始圖像中的滑動(dòng)窗口，VGGFCNVD16實(shí)現(xiàn)了對所有滑塊的一次性計(jì)算，在這些滑動(dòng)窗口的重疊區(qū)域上進(jìn)行計(jì)算，更好地滿足實(shí)時(shí)應(yīng)用的要求。 表2我們實(shí)驗(yàn)中使用的四個(gè)深模型的詳細(xì)結(jié)構(gòu)?！?9。lrn”是局部反應(yīng)正?；╧rizhevsky et al.，2012）?！?9。stride”是卷積步幅和“39。pad”基于地圖的空間填充。對于所有的權(quán)重層非線性激活函數(shù)（除了“39。mil聚集”）是ReLu。包圍盒近似（BBA）為清楚起見，近似一個(gè)包圍盒（BBA）步驟采用定位疾病領(lǐng)域的地位。如圖4所示，給定MIL幀預(yù)測的空間得分圖和相應(yīng)的疾病類別，我們可以將與預(yù)測的疾病通道相關(guān)的空間得分圖轉(zhuǎn)換成二值閾值條件下的二值圖像，然后對其進(jìn)行輪廓提取操作。然后，生成包含相應(yīng)輪廓的最小框?？紤]到重疊區(qū)域造成的FCN，我們的規(guī)模最小的盒子里按一定比例均勻，這有助于疾病領(lǐng)域的精確定位。幸運(yùn)的是，它是利用opencv1實(shí)現(xiàn)以上所有的處理步驟，輕松的工作。 圖4。近似包圍盒通道（BBA）。綠線表示二值圖像上的檢測輪廓。紅色虛線框表示包含相應(yīng)等高線的最小框，而紅色實(shí)線框表示框的縮小版本。最佳顏色觀看。（為了解釋這個(gè)圖例中對顏色的引用，讀者可以參考本文的Web版本）。表3 精度（%）每班以及總在傳統(tǒng)的CNN的架構(gòu)和dmilwdds模型wdd2017（平均177。性病）。Max agg，AVG的和軟的對應(yīng)三DMIL wdds不同聚集功能在MIL框架。粗體值是對應(yīng)于每個(gè)類別的相應(yīng)深度模型的最佳性能。dmilwdds如前所述，F(xiàn)CN用于從圖像中提取局部特征和生成空間得分圖在每個(gè)個(gè)體得分點(diǎn)基本上是一個(gè)相應(yīng)的感受野的疾病估計(jì)。值得注意的是，F(xiàn)CN約為滑動(dòng)窗口的操作行為，導(dǎo)致顯著的對象仍然留在至少一個(gè)接收域，我們把接收域覆蓋了顯著對象的圖像作為MIL中相應(yīng)種類的正包。從這個(gè)意義上說，我們對待圖像的接受領(lǐng)域包括醒目對象作為一個(gè)積極的袋子相應(yīng)的類標(biāo)簽在MIL。如圖2所示，我們將我們的dmilwdds模型分為兩部分，其中一個(gè)實(shí)現(xiàn)了圖像的層次劃分，即小麥病害的識別，另一個(gè)實(shí)現(xiàn)疾病的區(qū)域定位。圖2中的紅色部分由紅色加粗虛線包圍，將通過訓(xùn)練階段提前建立一個(gè)廣義的深度模型。經(jīng)過訓(xùn)練后，將深度模型用于新圖像的特征提取和空間得分圖生成。解釋，我們采用ReLu作為非線性激活函數(shù)的網(wǎng)絡(luò)加速收斂，除了最后的卷積層產(chǎn)生空間得分圖。為了得到0和1之間的概率值，我們使用Sigmoid函數(shù)代替熱魯近完全卷積層。給出了一種新的圖像的BK，我們表示香港WK高度及其空間分圖分別表示寬度，和PC KIJ Sigmoid函數(shù)輸出的位置240。我；J222。在通道C空間評分圖，即概率局部感受野bkij歸類為疾病C，其中我188。F1；。..；香港；J 2 F1；。..；經(jīng)營的和C 2 F1；。..；CG。根據(jù)MIL框架，如果我們使用
數(shù)學(xué)相關(guān)推薦
鄂ICP備17016276號-1