div>
Xiaoping wu1, Chi Zhan1, YU – Kun lai2, Ming-Ming cheng1, Jufeng yang1∗
1nankai University 2cardiff University
streszczenie
szkodniki owadów są jednym z głównych czynników wpływających na wydajność produktów rolnych., Dokładne rozpoznawanie szkodników owadów ułatwia terminowe środki zapobiegawcze w celu uniknięcia strat ekonomicznych. Jednak istniejące zbiory danych dla zadania klasyfikacji wizualnej koncentrują się głównie na wspólnych obiektach, np. kwiatach i psach. Ogranicza to zastosowanie zaawansowanej technologii głębokiego uczenia w określonych dziedzinach, takich jak rolnictwo. W tym artykule gromadzimy wielkoskalowy zestaw danych o nazwie IP102 do rozpoznawania szkodników owadów. W szczególności zawiera ponad 75,000 zdjęć należących do kategorii 102, które wykazują naturalny rozkład długich ogonów., Ponadto opisujemy około 19 000 obrazów z obwiedniami w celu wykrywania obiektów. IP102 ma hierarchiczną taksonomię, a szkodniki owadzie, które dotyczą głównie jednego określonego produktu rolnego, są zgrupowane w tej samej kategorii wyższego poziomu. Ponadto przeprowadzamy kilka podstawowych eksperymentów na zbiorze danych IP102, w tym metody klasyfikacji ręcznej i głębokiej opartej na cechach. Wyniki eksperymentalne pokazują, że ten zbiór danych ma wyzwania między-i wewnątrz klasy wariancji i nierównowagi danych., Wierzymy, że nasz IP102 ułatwi przyszłe badania nad praktyczną kontrolą szkodników owadów, drobnoziarnistą klasyfikacją wizualną i niezrównoważonymi polami uczenia się. Udostępniamy zbiory danych i wstępnie przeszkolone modele publicznie pod adresem https://github.com/xpwu95/IP102.
Papier
najważniejsze informacje
- największy publiczny zbiór danych do rozpoznawania szkodników owadów. Ten zbiór danych zawiera 102 szkodniki owadów, w tym 75,222 obrazy z etykietami kategorii i 18,976 obrazy z obwiedniami.
- obszerne eksperymenty na proponowanym zbiorze danych.,
motywacja
- szkodnik owadów jest jednym z głównych czynników wpływających na plon produktów rolnych. Dokładne rozpoznawanie szkodników owadów ułatwia terminowe środki zapobiegawcze w celu uniknięcia strat ekonomicznych.
- Istniejące zbiory danych o szkodnikach owadów na małą skalę nie mogą dobrze spełniać wymagań głębokiej technologii.
statystyki proponowanego zbioru danych IP102
Rysunek 1: Statystyki proponowanego zbioru danych IP102. a) hierarchiczny system taksonomiczny. b) informacje statystyczne.,
wyzwania proponowanego zbioru danych IP102
Rysunek 2: wyzwania proponowanego zbioru danych IP102. a) niezrównoważona Dystrybucja. B) zmienność Wewnątrzklasowa & zmienność międzyklasowa.,
Benchmark Experiments
Classification performance of handcrafted and deep features
Classification performance with different hierarchical labels
Detection performance
More examples
