吉林大学学报(理学版) ›› 2022, Vol. 60 ›› Issue (4): 906-910.
李蛟1, 王紫薇2, 范丽丽3, 赵宏伟3
LI Jiao1, WANG Ziwei2, FAN Lili3, ZHAO Hongwei3
摘要: 针对苹果树叶病害样本数量少且缺乏足够的标签, 导致苹果树叶病害早期发现分类困难的问题, 提出一种苹果树叶病害图像分类的小样本学习方法. 先根据图像间的特征向量距离和样本点密度, 找出样本中的离群因子, 将离群因子剔除后, 求取嵌入空间中支持集的平均值, 再根据查找样本与该值的关系进行分类. 实验结果表明, 该小样本学习方法能明显提高模型的分类性能和收敛速度, 分类准确率较高, 平均分类准确率达97.62%, 对苹果树叶锈病、黑星病、混合病害、健康树叶4类的分类准确率分别达98.01%,97.32%,96.30%,98.85%, 且对样本不平衡、 背景不均匀等数据集有较强的鲁棒性.
中图分类号: