AdaptPest-Net:一个任务适应性网络,具有图形-曼巴融合,用于多层次的农业害虫识别
Jixiang Zou1,2, Wenzhong Yang1,2, Chuanxiang Li1,2
1School of Computer Science and Technology, Xinjiang University, Urumqi 830046, China.
Entropy (Basel, Switzerland)
|December 24, 2025
概括
通过自适应地路由样本和融合时空数据,AdaptPest-Net提高了精准农业的害虫分类. 这种新的方法显著提高了农业害虫识别的准确性和概括性.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 准确的害虫分类对于有效的精准农业至关重要.
- 当前的深度学习方法与计算效率低下和建模复杂的特征关系作斗争.
研究的目的:
- 引入AdaptPest-Net,一种用于改进害虫分类的新型任务适应性架构.
- 在效率和特征关系建模方面解决现有的深度学习方法的局限性.
主要方法:
- 采样难度意识动态路由 (SDADR) 根据分类难度适应性地路由样品.
- 图形卷积-Mamba融合 (GCMF) 结合了图形卷积网络 (GCN) 和Mamba用于空间和时间特征提取.
- 双向交叉模式注意力通过相互增强和适应性融合整合了空间和时间模式.
主要成果:
- 在IP102数据集上,AdaptPest-Net实现了78.4%的准确性,超过了现有的方法.
- 在D0数据集上的实验表明了强大的跨数据集概括能力,准确率为99.85%.
- 提出的方法有效地匹配了网络容量以采样复杂性,并捕获了互补的拓和远程依赖关系.
结论:
- 在精准农业中,AdaptPest-Net在害虫分类准确性和效率方面取得了重大进展.
- 该架构通过新的融合和注意力机制集成空间和时间数据的能力是其性能的关键.
- 该模型显示了智能害虫防治系统中现实应用的有希望的潜力.
