CTHNet:基于混合架构的本地-全球特征融合的小麦计数网络
Qingqing Hong1,2, Wei Liu1,2, Yue Zhu1,2
1Jiangsu Key Laboratory of Crop Genetics and Physiology/Jiangsu Key Laboratory of Crop Cultivation and Physiology, Agricultural College of Yangzhou University, Yangzhou, China.
Frontiers in plant science
|July 17, 2024
概括
这项研究介绍了CTHNet,这是一个用于准确计数小麦耳朵的混合注意力网络. 该模型结合了本地和全球特征,以提高小麦表型表现的性能.
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:
- 准确的小麦耳计数对于小麦表型和产量预测至关重要.
- 卷积神经网络 (CNN) 用于计数小麦,但由于感官场的局限性,它们与全球背景作斗争.
- 现有的CNN模型在捕获全面的上下文信息以准确计数耳朵方面面临挑战.
研究的目的:
- 开发一种先进的小麦计数方法,将本地和全球的上下文信息整合在一起.
- 为了提高RGB图像中小麦计数的准确性和稳定性.
- 克服传统CNN在模拟全球环境方面的局限性,以提高计数性能.
主要方法:
- 设计了一个混合注意网络 (CTHNet),集成了一个跨阶段的部分CNN,用于多层次的本地特征提取.
- 金字塔聚合变压器被用来编码令牌化的图像补丁,以获取全球上下文信息.
- 使用特征融合模块将本地和全球特征合并,增强特征表示.
主要成果:
- 在全球小麦头部检测数据集中,CTHNet模型的平均绝对误差为3.40.
- 该模型在小麦耳朵检测数据集上显示了平均绝对误差为5.21.
- 在准确性方面,拟议的CTHNet显著超过了以前的小麦耳计数方法.
结论:
- 开发的CTHNet有效地结合了本地和全球特征,以优化小麦计数.
- 混合注意力机制解决了CNN在捕捉全球背景方面的局限性.
- 对于小麦的自动化表型和农业应用,CTHNet提供了一个有前途的进步.
