对识别大米害虫的注意力机制的比较分析
Yongjun Xiao1, Xiangruo Zhang2, Ziao Chen3
1College of Information Engineering, Sichuan Agricultural University, Ya'an, 625000, China.
Scientific reports
|July 2, 2025
概括
生物注意力 (BA) 增强了在复杂环境中对大米害虫的检测. 这种以人类视觉为灵感的方法通过提供类别标签作为生物信息来提高准确性,优于传统的注意力机制.
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:
- 准确检测水害虫对于有效的农业管理和作物产量至关重要.
- 现有的注意力机制在害虫检测中与复杂的背景作斗争.
研究的目的:
- 评估一种新的生物注意力 (BA) 机制,以改善大米害虫检测.
- 将BA与各种深度学习模型中的传统注意力机制进行比较.
主要方法:
- 生物注意力 (BA) 被整合到主流和新型物体检测网络中 (YOLOv5s,YOLOv8n,SSD,更快的R-CNN,YOLOv9-e,YOLOv10-X).
- BA与已有的注意力机制 (如CBAM,SE和SimAM) 相比较.
- 使用了详细的评估指标,包括分类错误,定位错误和错过的GT错误.
主要成果:
- 与传统的注意力机制相比,生物注意力表现出了更好的表现.
- BA通过增强损失函数并实现更精细的特征提取,提高了检测准确度.
- 该机制被证明适用于广泛的经典和新型网络架构.
结论:
- 生物注意力为自动化大米害虫检测系统提供了重大进步.
- 这种方法可以在复杂的农业环境中提高模型的性能.
- BA为改善农业监测技术提供了一种多功能且有效的工具.
