公开(公告)号：CN111611972B

公开(公告)日：2024-01-05

申请号：CN202010485899.6

申请日：2020-06-01

Applicant: 南京信息工程大学

Inventor： 田青 ,  梅承 ,  孙灏铖 ,  张恒

IPC: G06V10/764 ,  G06V20/10 ,  G06V10/82 ,  G06N3/0464 ,  G06V10/774 ,  G06V10/56 ,  G06N20/20

Abstract: 本发明涉及一种基于多视图多任务集成学习的作物叶片种类识别方法，该方法选取叶片图像作为原始数据集，并进行特征提取，得到若干视图下的数据集；利用CNN模型作为基学习器，对若干视图下的数据集与原始数据集分别进行单独的集成学习；然后固定所有基学习器的参数，并去除掉基学习器中全连接分类器的最后一层，然后将所有模型的输出拼接起来，并添加新的分类器，对若干视图进行联合特征选择，使得其验证集准确率达到期望，得到多个视图下的模型；再利用多任务学习，对叶片种类进行识别。本发明强化了模型的准确度和泛化能力，整体上解决了传统深度学习模型训练数据不足，模型简单地堆叠深度导致的泛化能力弱的问题。

公开(公告)号：CN111611972A

公开(公告)日：2020-09-01

申请号：CN202010485899.6

申请日：2020-06-01

Applicant: 南京信息工程大学

Inventor： 田青 ,  梅承 ,  孙灏铖 ,  张恒

IPC: G06K9/00 ,  G06K9/46 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于多视图多任务集成学习的作物叶片种类识别方法，该方法选取叶片图像作为原始数据集，并进行特征提取，得到若干视图下的数据集；利用CNN模型作为基学习器，对若干视图下的数据集与原始数据集分别进行单独的集成学习；然后固定所有基学习器的参数，并去除掉基学习器中全连接分类器的最后一层，然后将所有模型的输出拼接起来，并添加新的分类器，对若干视图进行联合特征选择，使得其验证集准确率达到期望，得到多个视图下的模型；再利用多任务学习，对叶片种类进行识别。本发明强化了模型的准确度和泛化能力，整体上解决了传统深度学习模型训练数据不足，模型简单地堆叠深度导致的泛化能力弱的问题。