Повышение эффективности модели глубокого обучения посредством разработки стратегий сбора данных: классификация болезней оливковых деревьев

arXiv: 261 030,35984v 1 Annuate Type: New Habstrate: Deep Learning Models очень эффективны в широком круге областей, частично личинки для диагностики заболеваний растений. Однако их эффективность зачастую ограничивается такими проблемами, как нехватка данных и дисбаланс классов. В нашей работе мы предлагаем всеобъемлющую стратегию сбора данных для преодоления этих ограничений. Во-первых, мы применяем различные методы получения данных, включая традиционные методы дополнения, CutMix, MixUp и синтетическое производство изображений с использованием Deep Convolu tronic Generationive Adversarional Networks (DCGANs) для создания новых образцов данных. Во-вторых, мы используем полученные данные в трех сценариях: (S1) сбалансированное распределение классов в первоначальном наборе данных; (S2) увеличение количества образцов на класс и (S3) расширение набора данных при сохранении сбалансированных классов. В-третьих, мы оцениваем влияние этих дистрибуций данных (S1, S2, S3) на модель perfor mance с использованием архитектуры EffecutiveNetV2B0 с предварительной подготовкой и усовершенствованием.