MAF-MixNet:基于混合注意力和多路径特征融合的少数射击茶病检测
Wenjing Zhang1, Ke Tan1, Han Wang1
1College of Information Engineering, Sichuan Agricultural University, Ya'an 625014, China.
Plants (Basel, Switzerland)
|April 26, 2025
概括
这项研究介绍了MAF-MixNet,这是一种使用最小数据检测茶叶植物疾病的深度学习模型. 它显著提高了识别诸如炭病和棕病等疾病的准确性,使得有效的农业监测.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 由于标记数据有限,在田间检测茶病具有挑战性,阻碍了深度学习模型.
- 现有的方法很难从稀缺的样本中提取特征.
研究的目的:
- 开发一个新的几次射击端到端检测网络 (MAF-MixNet),以最少的注释来进行强大的茶病检测.
- 在低数据场景中克服特征提取限制.
主要方法:
- 拟议的MAF-MixNet包括一个混合关注分支 (MA-Branch) 用于上下文特征和一个多路径特征融合模块 (MAFM) 用于增强的本地/全球特征组合.
- 采用两阶段培训:公开数据集的预培训和包括新茶病类在内的平衡子集的微调.
- 使用四个评估指标对六个模型进行了比较实验.
主要成果:
- 在5次拍摄时,MAF-MixNet获得了62.0%的精度,60.1%的nAP50和65.9%的F1得分,优于其他模型.
- 在10次拍摄的场景中,nAP50达到73.8%.
- 该模型以第二快的推断速度 (11.63 FPS) 证明了计算效率.
结论:
- MAF-MixNet有效地解决了茶病检测有限标记数据的挑战.
- 该模型显示,在精密农业中,具有成本效益,智能疾病监测的巨大潜力.
- 拟议的架构增强了特征提取和融合,以在少数拍摄的学习场景中提高性能.
