MixSeg:一种轻量级和精确的混合结构网络,用于复杂环境中的果叶病的语义细分
Bibo Lu1, Jiangwen Lu1, Xinchao Xu1
1School of Computer Science and Technology, Henan Polytechnic University, Jiaozuo, China.
Frontiers in plant science
|October 2, 2023
概括
MixSeg是一个结合CNN,Transformer和MLP的新型网络,为复杂的环境提供高效和准确的语义细分. 这种混合结构的方法在诸如果叶病的识别等任务中表现出色.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 传统的语义细分方法通常依赖于单一的架构,导致复杂环境中的低效率和不准确性.
- 准确的细分对于农业疾病检测等应用至关重要.
研究的目的:
- 介绍MixSeg,一个新的端到端语义细分网络,集成卷积神经网络 (CNN),变压器和多层感知器 (MLP) 架构.
- 提高细分精度和效率,特别是在具有挑战性的现实场景中.
主要方法:
- 拟议的MixSeg网络具有编码器-解码器结构.
- 编码器包含一个混合变压器用于局部偏差的全球建模,以及一个位置索引器用于绝对位置信息.
- 当地优化模块完善边缘和细节细分,而解码器融合了浅层和深层特征.
主要成果:
- 与小型数据集的主流方法相比,MixSeg在较少的参数和较低的计算成本下表现出优异的细分性能.
- 在果叶病细分方面,MixSeg-T实现了高的交叉与联合 (IoU) 分数:98.22%的叶片细分和87.40%的疾病细分.
结论:
- MixSeg为复杂环境中的语义细分提供了一种更有效,更稳定,更准确的方法.
- 该网络的有效性通过其在果叶病细分任务上的表现来验证.
