有效的农业害虫分类使用视觉变压器与混合聚合多头注意力
Computers in biology and medicine
|May 24, 2024
概括
一个新的混合池多头注意力 (HPMA) 模型显著提高了农业害虫分类的准确性. 这种先进的深度学习方法通过更精确地识别农业害虫来提高作物保护.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 准确的害虫分类对于有效的农业害虫管理和作物产量至关重要.
- 卷积神经网络 (CNN) 难以捕捉本地和全球图像特征.
- 视觉转换器提供了改进的全球依赖性捕获,但传统的注意力机制限制了细粒度的细节分析.
研究的目的:
- 引入一种新的混合池多头注意力 (HPMA) 模型,用于优越的害虫分类.
- 克服现有的CNN和视觉转换器在捕捉空间关系和细微细节方面的局限性.
- 提高害虫识别模型的稳定性和概括性.
主要方法:
- 开发混合聚合多头注意力 (HPMA) 模型,整合混合聚合和修改注意力机制.
- 在10个害虫类别的新数据集上对HPMA模型进行培训和测试.
- 在两个已建立的基准数据集上验证HPMA模型.
主要成果:
- 在一个新创建的10类害虫数据集上,HPMA模型取得了惊人的98%的准确性.
- 在基准数据集上的验证结果的准确率为98%和95%,表明了广泛的有效性.
- 该模型有效地捕捉了本地和全球特征,强调了用于改进害虫识别的歧视性特征.
结论:
- 拟议的HPMA模型在害虫分类任务中明显优于传统的CNN和标准视觉变压器.
- 由于HPMA能够捕获本地和全球图像信息,因此可以提高害虫识别的准确性和稳定性.
- 害虫分类技术的进步有助于迅速控制害虫,减少作物损失和提高农业生产率.
