题名 | 面向禽类疫病智能防控的图像数据增强方法研究 |
作者 | 朱彦霖 |
答辩日期 | 2024-05 |
文献子类 | 硕士 |
关键词 | 扩散模型 疫病数据增强 少样本生成 指令图像编辑 图像生成 |
英文摘要 | 禽类养殖业是国家经济的重要组成部分,随着养殖业的规模化发展,禽类疫病问题日益凸显,成为制约禽类养殖业健康发展的重大障碍。及时准确地诊断禽类疫病,采取有效的预防控制措施,对于保障禽类养殖业的健康发展至关重要。发展基于计算机视觉的疫病自动检测技术,是现代化疫病检测的新趋势。然而,一方面,以深度神经网络为基础的计算机视觉模型通常依赖于大量的训练数据以获得较高的识别精度,另一方面,受到国家疫病管控政策的严格限制,疫病的图像数据难以获得,这在很大程度上限制了深度学习模型的性能。为了解决以上问题,本研究旨在探索基于扩散模型的图像生成技术,实现禽类疫病图像数据增强,以提高下游相关机器学习模型的性能,进而提高禽类疫病的诊断效率和准确性。 为了实现禽类疫病图像数据的生成,本文沿着两条技术路线展开研究:第一,研究少样本图像生成技术。由于可获得的疫病图像数量往往很少,需要设计算法从有限的训练样本中学习到新概念的关键特征,从而准确地生成新概念的样本。利用该技术,可以生成特定类别的疫病样本图像或特定风格的健康样本图像。第二,研究基于指令编辑的疫病图像样本生成技术。根据疫病特征的文本描述和少量疫病参考图像对健康样本进行编辑,以平衡数据的分布,并在健康样本上生成疫病症状,进一步扩充疫病图像数据集。使用这两类方法生成相应的禽类的正常及疫病样本,为畜禽疫病的早期诊断机器学习模型的训练与优化提供了重要支持。本文的主要工作和贡献如下:
|
语种 | 中文 |
页码 | 70 |
内容类型 | 学位论文 |
源URL | [http://ir.ia.ac.cn/handle/173211/57204] ![]() |
专题 | 毕业生_硕士学位论文 |
推荐引用方式 GB/T 7714 | 朱彦霖. 面向禽类疫病智能防控的图像数据增强方法研究[D]. 2024. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论