PestCLIP:視覚言語モデルに基づいた増量的な害虫認識フレームワーク
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
まとめ
PestCLIPは,対照的な言語画像予習 (CLIP) を使用して,クラスインクリメンタル学習における壊滅的な忘却を克服するために,農業害虫の認識を強化します. このAIフレームワークは,ダイナミックな環境のための適応性害虫管理システムを改善します.
科学分野:
- 農業科学 農業科学とは
- 人工知能 (AI) とは,人工知能 (AI) のことです.
- コンピュータビジョン コンピュータビジョン
背景:
- 効果的な農業害虫管理は,食料安全保障と生態系の健康にとって不可欠です.
- 現在のディープラーニングモデルは,漸進的な学習に苦労しており,新しい害虫種の破滅的な忘却につながっています.
- ダイナミックな農業環境で継続的かつ信頼性の高い害虫認識のための適応的なAIフレームワークが必要である.
研究 の 目的:
- 壊滅的な忘却に対処する増量的な害虫認識のためのAIフレームワークを開発する.
- 先進的なAIを,堅牢な害虫識別のための生態学的要件と統合する.
- スマートペストマネジメントシステムの適応性と信頼性を高める.
主な方法:
- 提案されたPestCLIPフレームワークは,対照的な言語イメージ予備訓練 (CLIP) を利用しています.
- デュアルプロンプトチューニングとコンセプトプール戦略を用いて,大規模なデータ再生なしにクラスの特徴を保持しました.
- バイアスを軽減するためにインクリメンタルロギット調整による組み込み予測分布校正.
主要な成果:
- PestCLIPは,リーのデータセットで97.50%の精度を達成し,新しいクラスを学習する際に最低5.55%のパフォーマンスの低下を達成しました.
- 農業 (Li's, AgriInsect200, Farm Insect) と一般 (mini-ImageNet) のデータセットで,上級クラスのインクリメンタル学習パフォーマンスを実証した.
- 視覚化は,クラス固有の概念の効果的な保存と予測バイアスの減少を確認しました.
結論:
- PestCLIPは,増量的な害虫認識タスクにおける既存の方法を大幅に上回ります.
- このフレームワークは,クラス概念を効果的に保存し,予測分布を校正し,信頼性を高めます.
- PestCLIPは,農業における適応的かつインテリジェントな害虫管理の重要な進歩を表しています.
