建设礼品网站的策划书,太原app开发公司,网站dns解析失败,哪些网站做面试题数据是泰迪杯主办方提供的已经标记好的数据#xff0c;4k画质的图片#xff0c;总大小8个G 链接#xff1a;https://pan.baidu.com/s/1fvmNHGrLvflEovjfCjDLOw?pwd6666 提取码#xff1a;6666 虫害包括#xff1a; 八点灰灯蛾 褐飞虱属 白背飞虱 二化螟 蟋蟀 黄足… 数据是泰迪杯主办方提供的已经标记好的数据4k画质的图片总大小8个G 链接https://pan.baidu.com/s/1fvmNHGrLvflEovjfCjDLOw?pwd6666 提取码6666 虫害包括 八点灰灯蛾 褐飞虱属 白背飞虱 二化螟 蟋蟀 黄足猎蝽 黄毒蛾 粘虫 农田虫害识别优秀作品
https://www.tipdm.org/u/cms/www/202206/27143450a8sn.pdf
解决方案
在上述背景研究、问题分析和相关研究的基础之上我们针对本次农作物害虫识 别任务采用基于两阶段的目标检测算法 Casecade RCNN 和结合 Swin-Transformer 的 Mask RCNN 算法作为基本框架进行模型融合并使用离线数据增强和在线数据增强 组合以及 SWA随机权重平均进一步进行性能的提升。
针对 1.2 提出的四个问题相应采用以下解决方案
1) 目前主流的目标检测算法都是基于两阶段的方法Fast RCNN、Faster RCNN、Mask RCNN等以及一阶段的方法YOLO系列、SSD等相比 于对识别速度的要求农作物害虫检测更偏向于算法识别精确度的要求故 选用主流的两阶段目标检测方法作为模型Cascade Mask RCNN 并使用目 前在目标检测领域效果最好的 Swin-Transformer 模型作为我们的特征提取层。
2) 针对某些类别目标太小以及个别类别样本数目我们采用 copy and paste 方 法离线数据增强进行扩充数据集并且采用随机反转、旋转、高斯噪声等在线数据增强进一步在训练之前处理数据集。以及对训练集和测试集数据使用 多尺度进行训练和预测增加对小目标的识别效果。 3) 为了能更好的提升模型的识别效果进一步使用每个模型不同的 epoch 的权 值进行 SWA并把使用两个模型 SWA 后的网络权重的预测结果进行 NMS 获取模型融合后的检测结果。 对于目标检测基于深度学习的主流模型大致分为两类
1两阶段目标检测算
法Fast RCNN、Faster RCNN、Mask RCNN、Cascade Mask RCNN 等这些方法首先
产生候选区域region proposals然后对候选区域进行分类
2一阶段检测算法
不需要 region proposals 阶段直接产生目标的类别概率和位置坐标值如 Yolo 系列和
SSD。 优缺点分析
优点
⚫ 通过对农作物害虫图片的数据集处理和进行数据增强能够有效的应对长尾 效应和多尺度目标问题
⚫ 选择 Resnet50 Cascade Mask RCNN 和 Swin-S Cascade Mask RCNN 作为主要模 型更能贴合农作物害虫识别的目标检测任务
⚫ 采用 K-means 聚类完成锚框长宽比的确定使用 Smooth L1 损失函数和 Soft NMS更能符合害虫识别的应用场景
⚫ 基于随机权重平均和多模型融合的方法让网络识别效果更好缓解误检和 漏检的可能性。
缺点
⚫ 由于采用 Swin-S Cascade Mask RCNN 和 Resnet50 Cascade Mask RCNN 两个模 型进行训练以及采用训练时和测试时的多尺度导致模型的训练和检测 需要耗费大量的显存资源以及时间成本
⚫ 基于 copy and paste 的数据扩充方法还是有一定程度存在与背景不符的可能 性存在少数图片的重叠情况应该进一步考虑。
