在植物病害診斷中，深度學習模型雖然表現出色，但常常受限於資料不足和類別不平衡問題。來自arXiv的一篇新論文《透過資料生成策略提升深度學習模型效能：橄欖樹病害分類》提出了一套完整的資料生成與分佈策略，旨在克服這些限制。該研究由Hicham El Akhal等四位作者完成，於2026年10月26日提交至arXiv。
研究團隊首先應用了多種資料生成技術來建立新的資料樣本。這些技術包括傳統的影像增強方法（如旋轉、翻轉、裁剪等）、CutMix和MixUp這兩種混合樣本策略，以及使用深度卷積生成對抗網路（DCGAN）生成合成影像。這些方法從不同角度增加了資料的多樣性，為後續實驗提供了豐富的素材。
接下來，作者將生成的資料應用於三種不同的場景。場景S1關注平衡原始資料集中的類別分佈，即對少數類進行過取樣或對多數類進行欠取樣，使各類別樣本數量趨於一致。場景S2旨在增加每個類別的樣本數量，但不一定保持類別間的平衡。場景S3則同時擴充套件資料集並維持類別平衡，即在增加樣本總量的同時確保各類別比例不變。這三種場景代表了不同的資料增強和分佈策略，用以系統評估它們對模型效能的影響。
為了評估這些資料分佈策略的效果，研究採用了EfficientNetV2B0架構，並分別使用預訓練權重和微調後的權重進行實驗。EfficientNetV2B0是一種高效的卷積神經網路，在影像分類任務中表現優異。實驗結果表明，無論採用哪種權重初始化方式，經過資料生成和合理分佈後，模型的分類準確率都得到了顯著提升。這凸顯了資料多樣性和類別平衡在提升模型效能中的關鍵作用。
該研究的發現強調了所提出的資料生成與分佈策略的有效性和適應性，能夠顯著提高資料集質量。這些策略不僅適用於橄欖樹病害分類，還有望推廣到其他植物病害檢測任務中，為精準農業提供有力支援。透過改善資料質量，深度學習模型可以更可靠地應用於實際農業場景，幫助農民及早發現病害並採取相應措施，從而減少經濟損失並提高作物產量。
總之，這項研究為解決深度學習在農業領域應用中的資料瓶頸提供了一種實用且可擴充套件的方案。未來的工作可以進一步探索生成資料的質量評估以及在不同作物和病害型別上的泛化能力。