稀疏-MoE-SAM:一个轻量级的框架,将MoE和SAM与稀疏注意力机制集成在一起,用于在资源有限的环境中对植物疾病进行细分

科学领域:

• 人工智能的人工智能
• 计算机视觉 计算机视觉
• 植物病理学 植物病理学

背景情况:

• 部署人工智能用于植物疾病细分受到注意力机制的计算需求,捕获稀疏损伤细节的挑战以及复杂的现场条件的细分错误的阻碍.
• 传统的密集注意力模型表现出二次复杂性,使他们不适合资源有限的环境.
• 准确的细分需要能够处理长距离依赖和细微的局部细节的模型,特别是不同的损伤大小和复杂的背景.

研究的目的:

• 为资源有限的环境开发一个高效和准确的植物病细分框架.
• 解决当前用于植物疾病识别的AI模型中的计算复杂性和细分精度挑战.
• 允许在边缘设备上部署先进的细分模型,用于实时农业监测.

主要方法:

• 建议的Sparse-MoE-SAM框架,将稀疏注意力机制与两阶段的专家混合 (MoE) 解码器相结合.
• 实施了对动态激活道的稀疏关注,减少了复杂性,同时保持了上下文.
• 设计了一个精细的注意力增强的Atrous空间金字塔聚合 (ASPP) 模块,用于多规模的特征提取.

主要成果:

• 在各种数据集上,Sparse-MoE-SAM实现了94.2%的平均跨欧盟交叉点 (mIoU),比标准的分段任何模型 (SAM) 优于2.5%.
• 与原来的SAM基线相比,计算成本降低了23.7%.
• 在不同的植物纹理,病变形态和照明条件下表现出强大的性能,并增强了硬件兼容性.

结论:

• 将稀疏的注意力与MoE机制集成在一起,有效地减少了计算需求,同时保持了高的细分精度.
• 该Sparse-MoE-SAM框架提供了一个可行的解决方案,用于在移动和边缘设备上可扩展地部署植物疾病细分.
• 这种方法增强了人工智能在精密农业中的实用性,用于早期发现和管理疾病.