通过数据生成策略提升深度学习模型性能：橄榄树病害分类

事件

一项针对橄榄树病害识别的深度学习研究提出了一套完整的数据生成与分配策略，用来应对农业图像数据集常见的样本不足与类别不平衡问题。研究团队先用多种方式扩充数据：包括传统的图像增强手段、CutMix 与 MixUp 两种混合样本方法，以及用深度卷积生成对抗网络（DCGAN）合成新的病害图像。

随后，生成的数据被用于三种场景：一是对原始数据集做类别平衡；二是增加每个类别的样本数量；三是在扩增数据总量的同时保持类别分布均衡。研究采用 EfficientNetV2B0 架构，分别加载预训练权重并进行微调，对比这三种数据分布对模型表现的影响。实验结果显示，分类准确率有明显提升，说明数据多样性与类别均衡对模型性能起到关键作用。

该工作的价值在于给出了一套可复用的数据构建流程，而不只是单一模型的调参。对于植株病害检测和精准农业场景，样本采集成本高、病害类别分布悬殊是普遍难题，用生成式方法补足稀缺类别、再按需调整数据分布，能在有限标注条件下提升识别可靠性，也提示数据质量与结构设计往往比更换更大模型更划算。

来源

本条目由采集管线自动抓取并发布，完整内容见下方来源链接。

*采集源：arXiv cs.AI*