Enfoque de aprendizaje semi-supervisado de pocos disparos para el reconocimiento de enfermedades de plantas

ANTECEDENTES: Aprender de unas pocas muestras para reconocer automáticamente las enfermedades de las hojas de las plantas es un estudio atractivo y prometedor para proteger el rendimiento y la calidad agrícola. Los estudios existentes de clasificación de pocos disparos en agricultura se basan principalmente en esquemas de aprendizaje supervisado, ignorando la información útil de datos no etiquetados. MÉTODOS: En este artículo, proponemos un enfoque de aprendizaje semi-supervisado de pocos disparos para resolver el reconocimiento de enfermedades de las hojas de las plantas. Específicamente, se utiliza el conjunto de datos público PlantVillage y se divide en el dominio fuente y el dominio objetivo. Se llevaron a cabo experimentos de comparación extensivos considerando la división de dominio y los parámetros de pocos disparos (N-vías, k-disparos) para validar la corrección y generalización de los métodos propuestos de pocos disparos semi-supervisados. En términos de selección de muestras pseudoetiquetadas en el proceso semi-supervisado, adoptamos el intervalo de confianza para determinar adaptativamente el número de muestras no etiquetadas para la pseudoetiquetado. RESULTADOS: La mejora promedio por el método semi-supervisado único es del 2.8%, y la del método semi-supervisado iterativo es del 4.6%. CONCLUSIONES: Los métodos propuestos pueden superar otros trabajos relacionados con menos datos de entrenamiento etiquetados.