【技术实现步骤摘要】
本专利技术涉及农作物病虫害识别，具体涉及基于对抗增强和任务插值的小样本农作物病虫害识别方法。
技术介绍
1、近年来，深度学习在农作物病虫害识别中显示出巨大的潜力，显著提高了准确率。但是，深度学习方法需要大量的标记数据集来学习农作物病虫害图像的细微视觉特征以及不同病虫害图像之间的细微差异。有些农作物病虫害非常罕见，收集大量样本是不切实际的。同时，对采集到的病虫害样本进行标注和识别也需要专家或经验丰富的农民的努力，大量的数据标注耗时费力。传统的深度学习方法往往不能在训练数据不足的情况下取得很好的效果。
2、小样本学习依赖有限的数据，消除了昂贵的标记数据成本，利用已有信息从有限的标记数据中学习，快速泛化到只包含少量标记样本的新任务，在保持快速学习的同时具有良好的泛化能力。在小样本学习中，有一个已知的训练集和一个未知的测试集(测试集和训练集不重叠)，在n-way k-shot范式中训练和测试，每个任务中有n个类别，每个类别中有k个样本。经过少量标记样本的训练后，当面对少量样本的未知新任务时，该模型可以快速准确地对测试样本进行分类。<...
【技术保护点】
1.基于对抗增强和任务插值的小样本农作物病虫害识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于对抗增强和任务插值的小样本农作物病虫害识别方法，其特征在于，在所述步骤S1、S3中，小样本图像数据集为miniImageNet数据集。
3.根据权利要求1所述的基于对抗增强和任务插值的小样本农作物病虫害识别方法，其特征在于，在所述步骤S1中，嵌入模型为ResNet-12网络。
4.根据权利要求2所述的基于对抗增强和任务插值的小样本农作物病虫害识别方法，其特征在于，在所述步骤S1中，利用miniImageNet数据集对嵌入模
【技术特征摘要】
1.基于对抗增强和任务插值的小样本农作物病虫害识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于对抗增强和任务插值的小样本农作物病虫害识别方法，其特征在于，在所述步骤s1、s3中，小样本图像数据集为miniimagenet数据集。
3.根据权利要求1所述的基于对抗增强和任务插值的小样本农作物病虫害识别方法，其特征在于，在所述步骤s1中，嵌入模型为resnet-12网络。
4.根据权利要求2所述的基于对抗增强和任务插值的小样本农作物病虫害识别方法，其特征在于，在所述步骤s1中，利用miniimagenet数据集对嵌入模型fφ进行优化：
5...
【专利技术属性】
技术研发人员：王康，陈昊东，费习宏，沈浩，汪婧，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。