本文记录下刚刚阅读的一篇2020年的害虫识别论文《Insect pest image detection and recognition based on bio-inspired methods》，本篇文章的题目很有意思“基于生物启发的方式进行害虫检测和识别”。
文章概要
本文的脉络非常清晰，比较有意思的地方是本文使用三种不同的显著性检测方法:COS,GBVS和SPE，将原数据集依据前景(ROI)和感兴趣区域(ROI)的不同组合：FG,FG_ROI,ROI，形成三种不同类型的数据扩展子集(类似将数据集进行了扩增)。在这样的设置下，本文其实将一个原数据集扩增为了10个数据集(包含原数据本身)，然后作者使用5种不同的网络模型进行了实验，所以本文中作者共进行了50组实验，最终在大小不同的两个数据集上，得到了最佳的性能表现。
文章整体网络架构
文章数据集例子
图片中大图为原图，每行表示不同的显著性方法(SPE, GBVS和COS)的结果，每列表示FG FG_ROI ROI三种不同的类型。
文章实验结果(IP102为例)
个人阅读后总结
本文虽然在探索昆虫识别，其实到不如说验证了当原图像大量丢掉某些背景信息时，虽然一定程度上减少了计算量，但是会使模型的泛化性减弱，其实通过文章实验，也可以看出，当使用原图进行训练模型时，最终达到的效果，其实比丢掉背景等信息时候的要好，所以在检测或分类过程中， 模型会考虑前景和背景间的联系。