Equilibrar la precisión y la eficiencia computacional: una R-CNN más rápida con un mecanismo de atención espacial...

Área de la Ciencia:

• Visión por computadora
• Aprendizaje automático
• Botánica

Sus antecedentes:

• La tecnología de reconocimiento de plantas silvestres enfrenta desafíos para equilibrar la complejidad del modelo, la precisión y el procesamiento de datos en hardware con recursos limitados.
• Los métodos no invasivos de visión por computadora son cruciales para evitar daños a las plantas silvestres frágiles durante la identificación.

Objetivo del estudio:

• Proponer una arquitectura ligera mejorada de R-CNN más rápida (ULS-FRCN) para el reconocimiento eficiente de plantas silvestres.
• Abordar el problema crítico de equilibrar la complejidad del modelo, la precisión del reconocimiento y la dificultad de procesamiento de datos en hardware con recursos limitados.

Principales métodos:

• ULS-FRCN desarrollado con un módulo de cuello de botella ligero (convolución separable en profundidad) y un mecanismo de atención espacial ligero Split SAM.
• Implementación del preprocesamiento de enmascaramiento para mejorar el rendimiento del modelo y reducir los costos de procesamiento de datos.
• Se ha validado el ULS-FRCN en el conjunto de datos PlantCLEF 2015 con cinco especies de plantas silvestres.

Principales resultados:

• El ULS-FRCN superó significativamente al modelo basal, mostrando mejoras del 12,77% en el mAP, del 0,01 en la puntuación media de F1 y del 9,07% en el recuerdo medio.
• El diseño ligero y el mecanismo de atención redujeron los parámetros de entrenamiento, mejoraron la velocidad de inferencia y mejoraron la eficiencia computacional en comparación con el R-CNN más rápido original.
• Logró un rendimiento superior en términos de mAP, puntaje promedio de F1 y recuerdo promedio.

Conclusiones:

• ULS-FRCN ofrece una solución eficaz para el reconocimiento de plantas silvestres en dispositivos con recursos limitados, como los utilizados en la silvicultura.
• La arquitectura propuesta permite una identificación y gestión eficientes de la planta sin depender de servidores de alto rendimiento.
• Demostró la idoneidad del enfoque ULS-FRCN para el despliegue práctico en el seguimiento y la conservación ecológicos.