Resumen

Se investiga una nueva modificación del entrenamiento de conjuntos de CNs múltiples mediante la combinación de funciones de pérdidas múltiples de las arquitecturas de CNs profundas más modernas para el reconocimiento de imágenes de hojas. Primero aplicamos el modelo U-Net para segmentar las imágenes de hojas del fondo y mejorar el rendimiento del sistema de reconocimiento. A continuación, introducimos un enfoque multimodelo basado en una combinación de funciones de pérdida de EfficientNet y MobileNet (denominado CNN multimodelo (MMCNN)) para generalizar una función multiloss. El modelo multimodelo de aprendizaje conjunto diseñado para el reconocimiento de hojas permite que cada red realice su tarea y coopere con las demás simultáneamente, donde se comparte el conocimiento de varias redes profundas entrenadas. Este multimodelo de cooperación propuesto se ve obligado a tratar problemas más complicados que una simple clasificación. Por lo tanto, la red puede aprender mucha información rica y mejorar su capacidad de generalización. Además, una estrategia de compensación de múltiples pérdidas entre dos modelos de aprendizaje profundo puede reducir el efecto de los problemas de redundancia en los clasificadores de conjunto. El rendimiento de nuestro enfoque se evalúa mediante nuestro conjunto de datos personalizado de especies de hojas de hierbas vietnamitas, y se utilizan conjuntos de datos públicos como Flavia, Leafsnap y Folio para construir casos de prueba. Los resultados confirman que nuestro enfoque mejora el rendimiento del reconocimiento de las hojas y supera a las redes individuales estándar actuales, a la vez que tiene un coste computacional menos elevado.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:función multiloss, bajo coste de computación, especies de hojas de hierba, menos computación, modelo de aprendizaje profundo, combinación de pérdida, red profunda entrenada, efectos de la redundancia, reconocimiento de imágenes de hojas, imagen de hojas de segmento
• Keywords:multiloss function, low computation cost, herbal leaves species, less low computation, deep learning model, combination of loss, trained deep network, effects of redundancy, leaves image recognition, segment leaves image