MCFFA-Net: Multi-Contextual Feature Fusion and Attention Guided Network for Apple Foliar Disease Classification

要約

多くの病気が、リンゴ生産に基づく産業に深刻な経済的損失を引き起こしています。
リンゴの葉の病気を早期に特定することで、感染の拡大を防ぎ、生産性を向上させることができます。
したがって、さまざまなリンゴの葉の病気の識別と分類を研究することが重要です。
さまざまな従来の機械学習および深層学習手法が、この問題に対処し、調査してきました。
しかし、これらの病気の複雑な背景、画像内の病気の場所の変化、および同じ葉に複数の病気のいくつかの症状が存在するため、これらの病気を分類することは依然として困難です.
この論文では、MCFFA-Net という名前の新しい転移学習ベースのスタック アンサンブル アーキテクチャを提案します。これは、バックボーン ネットワークとして MobileNetV2、DenseNet201、および InceptionResNetV2 という名前の 3 つの事前トレーニング済みアーキテクチャで構成されます。
また、抽出された特徴からいくつかの拡張された受容野を持つマルチスケールのコンテキスト情報をキャプチャするための、新しいマルチスケールの拡張された残差畳み込みモジュールを提案します。
チャネルベースの注意メカニズムは、MCFFA-Net を多受容野の関連情報に集中させるために、スクイーズおよび励起ネットワークを通じて提供されます。
提案された MCFFA-Net は、90.86% の分類精度を達成します。

要約(オリジナル)

Numerous diseases cause severe economic loss in the apple production-based industry. Early disease identification in apple leaves can help to stop the spread of infections and provide better productivity. Therefore, it is crucial to study the identification and classification of different apple foliar diseases. Various traditional machine learning and deep learning methods have addressed and investigated this issue. However, it is still challenging to classify these diseases because of their complex background, variation in the diseased spot in the images, and the presence of several symptoms of multiple diseases on the same leaf. This paper proposes a novel transfer learning-based stacked ensemble architecture named MCFFA-Net, which is composed of three pre-trained architectures named MobileNetV2, DenseNet201, and InceptionResNetV2 as backbone networks. We also propose a novel multi-scale dilated residual convolution module to capture multi-scale contextual information with several dilated receptive fields from the extracted features. Channel-based attention mechanism is provided through squeeze and excitation networks to make the MCFFA-Net focused on the relevant information in the multi-receptive fields. The proposed MCFFA-Net achieves a classification accuracy of 90.86%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google