专利交易市场

本发明公开了一种基于RePMMS‑Net的绿豆叶斑病识别方法，预先获取绿豆叶斑病图像，通过人工标注制作绿豆叶斑病数据集；构建并行多分支多尺度卷积核模块PMMS，并重复使用PMMS模块，进行特征重复学习，得到最终图像的特征向量；将图像的特征向量输入全局平均池化层，输出最终的特征向量作为softmax分类器的输入；构建softmax分类器，将输入的特征向量转化为关于类别的概率向量输出；构建RePMMS‑Net网络模型，并训练该网络，即通过不断迭代前向传播过程、反向传播过程优化网络的参数；使用训练好的RePMMS‑Net网络模型对测试图像中的目标进行识别。本发明提出的病斑识别模型，能充分挖掘图像中的特征；增强了模型的适应性，提高了分类精度，具有良好的泛化性能和较好的鲁棒性。

本发明提供了一种基于MS‑PLNet模型绿豆叶斑病识别方法及装置，包括以下步骤：(1)获取用于训练、验证和测试的绿豆叶片数据集，并且对数据集进行图像预处理；(2)构建用于绿豆叶斑病识别的MS‑PLNet网络模型，模型中的骨干网络使用普通卷积和改进的深度可分离卷积进行搭建，并在搭建过程中进行通道数先增加再减少最后再增加的三阶段策略，减小网络参数；在特征融合阶段使用通道注意力机制，根据通道的重要程度，关注重要通道，抑制冗余通道；(3)使用搭建的模型进行训练，获得用于绿豆叶斑病检测的分类器。本发明可用于绿豆叶斑病和其他农作物叶斑病的检测，识别率高，且具有较好的鲁棒性与广泛的应用价值。

本发明公开一种基于Gate‑Mixup数据增强的知识蒸馏化工文本分类方法及装置，首先同时对图神经网络教师模型以及Transformer学生模型进行初始训练；然后进行一阶段蒸馏训练，通过指标函数与门控单元对教师模型输出进行筛选，满足预设条件，则直接作为logits输入蒸馏损失函数指导学生模型，否则对文本表示进行数据增强，最后将输出残差叠加输入蒸馏损失函数指导学生模型训练；将教师模型与学生模型角色进行对调作为二阶段蒸馏训练，循环执行上述一阶段和二阶段蒸馏训练，最终获得蒸馏好的学生模型；实际应用时，将化工文本样本输入学生模型，获得预测输出文本类别。本发明通过构建的数据增强方法有效增强相互学习困难样本知识蒸馏效果，提升学生模型文本分类性能。