通过自适应最小集成提升植物病害分类

本文提出了一种新型方法，用于提升植物病害分类这一具有挑战性且耗时的过程。首先，以近期性能优异、在准确率与复杂度之间具有良好权衡的EfficientNet架构作为基线，我们引入、设计并应用了一系列基于迁移学习、正则化、分层采样、加权评估指标以及先进优化器的精细化技术，从而显著提升了模型性能。在此基础上，本文进一步提出一种自适应最小集成方法（adaptive minimal ensembling），作为所提解决方案知识库中的独特组成部分。该方法实现了重要突破：仅使用两个EfficientNet-B0弱模型，通过可训练层对特征向量进行集成，而非传统的输出层聚合，即可在保持低复杂度的前提下有效提升分类准确率。据我们所知，此类基于特征向量的可训练集成策略在现有文献中尚属首次应用。本方法在PlantVillage这一公开基准数据集上进行了全面测试，该数据集广泛用于农作物病害诊断模型的性能评估，涵盖原始数据集及其增强版本。实验结果表明，本方法在原始数据集与增强数据集上均实现了100%的分类准确率，显著超越了当前最优水平。所有模型均基于PyTorch框架进行训练、测试与验证，实验过程通过提供详尽的超参数设置等信息，确保了结果的高度可复现性。此外，本文还公开发布了一个Web交互界面，供用户在线测试所提出的模型与方法。