Video Experimental Relacionado
Updated: May 6, 2026
08:25
Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
Published on: May 7, 2019
8.6K
PestCLIP: un marco de reconocimiento incremental de plagas basado en un modelo de lenguaje de visión
Tao Hu1,2, Xueheng Li1,2, Ke Cao1,2
1Science Island Branch of Graduate School, University of Science and Technology of China, Hefei, China.
Pest management science
|February 20, 2026
Resumen
PestCLIP mejora el reconocimiento de plagas agrícolas mediante el uso de entrenamiento previo de lenguaje-imagen contrastante (CLIP) para superar el olvido catastrófico en el aprendizaje incremental de la clase. Este marco de IA mejora los sistemas adaptativos de manejo de plagas para entornos dinámicos.
Área de la Ciencia:
- Ciencias Agrícolas Ciencias Agrícolas
- La inteligencia artificial es inteligencia artificial.
- Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador
Sus antecedentes:
- El manejo eficaz de plagas agrícolas es vital para la seguridad alimentaria y la salud del ecosistema.
- Los modelos actuales de aprendizaje profundo luchan con el aprendizaje incremental, lo que lleva al olvido catastrófico de nuevas especies de plagas.
- Se necesitan marcos de IA adaptativos para el reconocimiento continuo y confiable de plagas en entornos agrícolas dinámicos.
Objetivo del estudio:
- Desarrollar un marco de IA para el reconocimiento incremental de plagas que aborde el olvido catastrófico.
- Integrar la IA avanzada con los requisitos ecológicos para una identificación robusta de plagas.
- Mejorar la adaptabilidad y confiabilidad de los sistemas inteligentes de manejo de plagas.
Principales métodos:
- El marco propuesto de PestCLIP utiliza el entrenamiento previo de imagen de lenguaje contrastante (CLIP).
- Empleado ajuste dual-prompt y una estrategia de Concept Pool para retener características de clase sin repetición de datos extensos.
- Calibración de la distribución de predicción incorporada a través del ajuste logit incremental para mitigar el sesgo.
Principales resultados:
- PestCLIP logró una precisión del 97,50% en el conjunto de datos de Li con una caída mínima de rendimiento del 5,55% al aprender nuevas clases.
- Demostró un rendimiento superior de aprendizaje incremental de clase en conjuntos de datos agrícolas (Li's, AgriInsect200, Farm Insect) y generales (mini-ImageNet).
- Las visualizaciones confirmaron la preservación efectiva de los conceptos específicos de clase y el sesgo de predicción reducido.
Conclusiones:
- PestCLIP supera significativamente a los métodos existentes en las tareas incrementales de reconocimiento de plagas.
- El marco preserva efectivamente los conceptos de clase y calibra las distribuciones de predicción, mejorando la confiabilidad.
- PestCLIP representa un avance significativo para el manejo adaptativo e inteligente de plagas en la agricultura.
Palabras clave:
Predicción Distribución Calibración de la distribución.Aprendizaje incremental de clase aprendizaje incremental de clase.reconocimiento incremental de plagas.modelo de lenguaje de la visión.
