多颗粒度对齐用于作物疾病检测检测
Guinan Guo1, Fang Zhou1, Qingyang Wu2
1School of Geography and Planning, Sun Yat-sen University, Guangzhou, 510700, China.
Plant phenomics (Washington, D.C.)
|December 19, 2025
概括
这项研究引入了多颗粒度对齐 (MGA),这是一种用于跨领域作物疾病检测的新框架. 通过对齐特征和减少差异,MGA显著提高了新数据集上的模型性能,帮助实现"零饥饿"目标.
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:
- 农作物疾病对全球粮食安全和实现"零饥饿"的可持续发展目标构成重大威胁.
- 数据收集条件的变化会产生域移动问题,导致新数据集上的作物疾病检测模型的性能差.
- 现有的物体检测模型难以跨领域通用,这阻碍了它们在各种农业环境中的实际应用.
研究的目的:
- 提出一个新的领域适应框架,多颗粒度对齐 (MGA),以应对跨领域作物疾病对象检测的挑战.
- 提高对象检测模型的通用性和兼容性,以在不同领域检测作物疾病.
- 调整源域和目标域之间的特征表示,减少差异并提高检测准确性.
主要方法:
- 开发了多颗粒度对齐 (MGA) 框架,集成多颗粒度对齐和全方位封闭的聚变领域适应组件.
- 在一个增强的物体探测器中的特征地图上实现了规模感知卷积聚合.
- 从依赖细分度的角度使用三个级别的区分器 (类别,实例和像素) 来进行域调整.
主要成果:
- 在各种跨域数据集中,MGA实现了最先进的平均平均精度 (mAP) 评分,包括47.9% (PVi → CDi),48.3% (PDc → PVi) 和49.2% (数据与风格转移 → CDi).
- 与现有的物体检测技术相比,该框架表现出了卓越的性能.
- 当与Faster R-CNN集成时,MGA在CDi → Data w/style传输数据集上实现了44.7%的mAP,展示了强大的泛化.
结论:
- 多颗粒度调整 (MGA) 框架有效地解决了在作物疾病检测方面跨领域的挑战.
- 在不同的数据集和环境中,MGA显著提高了模型性能和概括能力.
- 这种方法有望促进精准农业的发展,并为全球粮食安全倡议做出贡献.
