Uma arquitetura de few-shot learning para classificação de insetos na agricultura usando poucas amostras

Abstract

O reconhecimento rápido de pragas e insetos em lavouras é uma das estratégias de controle para mitigar perdas na produtividade agrícola. Algoritmos de aprendizagem de máquinas têm sido bem sucedidos como ferramentas de reconhecimento automático em aplicações envolvendo grandes conjuntos de dados, mas os modelos tendem a reduzir drasticamente seu desempenho quando lidam com conjuntos de dados pequenos, o que dificulta a ampla utilização dessa tecnologia em campo. A capacidade de aprender com poucas amostras visuais, e um dos principais desafios no campo da aprendizagem de máquinas. A Few-shot Learning (FSL), entretanto, e uma abordagem de aprendizagem recente e mais adequada para lidar com poucos dados. Neste trabalho, conduzimos um estudo sobre a FSL baseada em métrica para fornecer um modelo competitivo de classificação de insetos usando poucas amostras. O modelo proposto inclui dois módulos principais: 1) um mecanismo de redes neurais convolucionais (CNN) para extração e fusão de recursos multicamada (FMC) para a geração de vetores representativos ricos em informações de classes, e 2) um modulo de similaridade baseado nas divergências de Bregman para comparação de vetores gerados pela FMC. Dois conjuntos de dados desafiadores de insetos da agricultura foram propostos para os experimentos: o primeiro contendo insetos separados por estagio de maturidade, e o segundo abrangendo pragas e insetos benéficos (incluindo predadores e parasitoides) da cultura do milho. Uma ampla cadeia experimental foi realizada para análise de divergências e validação do modelo proposto. A validação do modelo foi realizada comparando-se os resultados aos de redes consolidadas na literatura. Os resultados mostraram que o modelo apresentado melhorou a acurácia em até 3.62% e 2,82% em tarefas de classificação de 1-shot e 5-shot respectivamente usando a FMC. Além disso, o modelo superou os resultados das redes ResNet50, VGG16 e Mo- bilenetv2, com redução em até 99% da quantidade de parâmetros de aprendizagem. Este trabalho mostrou que a aprendizagem few-shot e uma abordagem relevante para pesquisas relacionadas a classificação de insetos na agricultura, servindo como uma alternativa para o desenvolvimento de soluções de prototipagem rápida para aplicação em campo.