原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
摘要
摘要
植物广泛分布在自然环境中，在保护地球生态系统中扮演了重要的角色。在过去
植物鉴定的研究中视觉特征通常选用植物的叶子，花，果实，茎等植物器官，其中，
植物的叶片是最具有代表性的。目前，随着图像技术的发展，深度学习中的卷积神经
网络以其在计算机视觉领域出色的表现，成为了解决此类问题的主要手段。但利用深
度学习方法的缺点也很明显，获得高分类准确率的前提是网络拥有充足的监督学习样
本。大多数情况，研究者仅能获得较少数量的样本图片，一般的深度学习卷积神经网
络在面对少量学习样本的情况下表现极其糟糕。因此，小样本学习的概念被提出，其
目的是从较少的监督样本中学习这些样本的分类方法。本文构建了一种基于度量学习
的方法用来提取植物叶片特征并对叶片进行分类。本文的主要研究内容有以下几点：
1、本文首先在基于小样本学习的条件下分别分析并构建了叶片特征提取器和特
征分类器的结构框架，利用了双路并行卷积神经网络的思路构建了整体框架。使用了
经典的公开叶片数据集: 数据集、 数据集和 数据集组成实验数
Flavia Swedish Leafsnap
据集，在经过重组、筛选和图像预处理后进行实验。
2、本文使用多种优秀的卷积神经网络特征提取器，如 GoogleNet 、DesenNet 、
ResNet 等进行特征提取工作，并在小样本分类框架的基础上进行了组合设计，本文
给出了不同卷积神经网络在该框架下的性能表现和网络详细结构，并在数据集中进行
了分类精确度测试实验，给出了实验结果和分析。
3、小样本训练任务中样本数量较少会导致分类精度下降，本文为此提出了一种
作用于训练过程中的空间结构优化器。实验证明在使用该优化器的情况下分类准确率
会提高近 2% ，从而证明其有效性。
关键词: 叶片分类， 深度学习， 小样本学习，卷积神经网络， 空间结构优化器
I
目录
目录
1 绪论 1
1.1研究意义与相关背景 1
1.2相关研究现状 2
1.2.1 叶片识别国内研究现状 2
1.2.2 叶片识别国外研究现状 3
1.3植物叶片识别问题与趋势4
1.4深度学习与小样本学习 5
1.4.1深度学习模型发展5
1.4.2深度学习中的小样本学习11
1.5本文主要工作内容 13
2 数据集构建及图像预处理 15
2.1叶片数据集 15
2.2图像预处理 16
2.2.1 图像裁剪 16
2.2.2 图像分割 17
2.3实验数据集设置 18
2.4本章小结 19
3 基于度量学习的CNN 叶片分类21
3.1度量学习框架 21
3.2双路并行网络 24
3.3叶片分类器 25
3.4基于度量学习下多种卷积神经网络的叶片识别26
3.4.1 搭载 Vgg模型 28
3.4.2 搭载 Inception 模型 31
3.4.3 搭载 ResNet 模型 35
3.4.4 搭载 DesneNet模型 38
3.4.5 搭载 ResNeXt和SENet 模块41
3.5本章小结 44
4 优化后的卷积神经网络叶片分类器45
4.1参数优化法 45
4.1.1 Adma 优化器 47
4.1.2 实验结果与分析 47
4.2结构优化法 47
III
文档评论（0）