Gaussian-Haar変換融合によるDEIMの強化：ザクロの成熟度検出

科学分野:

• 農業技術
• コンピュータビジョン
• 機械学習

背景:

• 自動ザクロ成熟度検出は、収量の最適化とコスト削減のために重要です。
• 既存の手法は、ザクロと葉の区別や、自然環境における精度と計算効率のバランスをとるのに苦労しています。

研究 の 目的:

• 現在の手法の限界を克服する軽量なザクロ成熟度検出アルゴリズム、GLMF-DEIMを開発すること。
• 実際の農業アプリケーションにおける検出精度と計算効率を向上させること。

主な方法:

• GLMF-DEIMアルゴリズムは、特徴分離のためにGaussian-Haar離散ウェーブレット変換モジュールを利用しています。
• 軽量な適応重みダウンサンプリングと軽量周波数領域動的畳み込みステージを組み込んで、効率的な特徴抽出を行っています。
• マルチレベル特徴融合ネットワークと最適化されたトレーニング戦略（Dense O2Oマッチング、Matchability-Aware Loss）を採用しています。

主要な成果:

• GLMF-DEIMモデルは、5,855枚の画像データセットで高いパフォーマンスメトリクスを達成しました：AP50で93.1％、AP75で84.5％、APSで32.7％。
• 最適なベースラインと比較して、それぞれ1.9％、2.3％、1.3％の相対的な改善を示しました。
• 8.16Mパラメータで16.9 GFLOPsという低い計算コストを達成し、効率的な推論を示しました。

結論:

• GLMF-DEIMは、ターゲットと背景の類似性問題を効果的に解決し、精度と効率の間の良好なトレードオフを達成します。
• このアルゴリズムは、リアルタイムのザクロモニタリングのためのスマート農業システムにおけるエッジデプロイメントに適しています。