《表5 不同模型的疾病分类准确度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《应用卷积神经网络识别花卉及其病症》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了应对训练样本数量受限问题，我们将2014年ILS-VRC竞赛获得优胜的卷积神经网络模型VGG-16迁移到了花卉疾病识别任务上，作为特征提取器，所得特征输入原多输入模型.同时为了验证模型的效果，我们与SVM、HOG-SVM和SIFT-Kmeans-SVM几类传统分类方法进行了对照实验，使用了软件包libsvm[17]和OpenCV2.结果见表5和图5.其中，HOG-SVM识别效果最低，总体准确率仅有51.4%.HOG算子计算图像局部区域的梯度直方图构成特征，对物体的形变保持高度不变性，细小的变化不会影响检测结果，能够很好的提取出大型物体的轮廓，因此适用于车辆检测、行人检测等.推测花卉叶部病斑小而密集、变化细微是HOG-SVM模型对其辨识度低的主要原因.