相关实验视频
Updated: Apr 15, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
10.2K
基于深空和通道残余网络的多类大米种子识别,结合双重注意力机制
Tingyuan Zhang1, Changsheng Zhang1, Zhongyi Yang2
1Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming, Yunnan, China.
PloS one
|May 16, 2025
概括
本研究介绍了带有双重注意力机制的米种子分类深空和道残留网络 (RSCD-Net),用于准确识别36种米种子品种. RSCD-Net显著提高了农业应用中的识别精度和效率.
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:
- 精确的米种品种识别至关重要,但由于形态多样性而具有挑战性.
- 传统的图像识别方法在复杂的种子分类任务中缺乏准确性和效率.
研究的目的:
- 开发一个先进的深度学习模型,以提高36种大米种子品种的识别精度.
- 引入新的空间和通道特征提取剩余块 (SCR-Block) 和双重注意力机制 (A2Net),以提高特征差异化和计算效率.
主要方法:
- 提出了与双重注意力机制 (RSCD-Net) 的深空和通道剩余网络的米种子分类,采用了带有SCR块的16层架构.
- 整合了一种双重注意力机制 (A2Net),以扩大网络的感受领域,以区分微妙的变化.
- 利用自行收集的数据集进行训练和评估模型的性能.
主要成果:
- RSCD-Net的平均准确率为81.94%,比基线高出4.16%.
- 与最先进的模型相比,表现出更高的性能:InceptionResNetV2 (+1.17%),ConvNeXt (+3%),MobileNetV3 (+24.72%) 和Swin Transformer (+13.22%) 等.
- 该SCR-Block有效地改善了类间的区分,并最大限度地减少了冗余功能,提高了计算效率.
结论:
- RSCD-Net为细粒度大米种子分类提供了有效和高效的解决方案.
- 该模型的表现突显了其在实际农业应用和类似的识别挑战方面的潜力.
