Discover Artificial Intelligence·10月17日 · 周六论文农业人工智能与决策模型阅读 1
An entropy-guided dynamic lightweight network for identification of wild edible vegetables of BTR
Tania Sarkar · Pranav Kumar Singh · Parag Bhuyan 等 4 人
论文解读
70接近精选线
速览
提出熵引导动态轻量网络，用于识别BTR野生食用蔬菜。
方法
动态核选择、区域自适应特征路由、超轻上下文编码与熵引导池化。
发现
分类准确率达90.69%，参数量和FLOPs显著降低，适合边缘部署。
机会点
可探索复杂自然场景下轻量模型在低资源边缘设备的实时植物识别与保护应用。
影响力12
信息增量20
专业深度17
信源权威12
时效性9
提出熵引导动态轻量网络用于野生食用蔬菜识别，准确率90.69%且参数与算力显著降低，方法有新意、结论可靠，但属细分应用研究，公共影响有限。
原文摘要
博多兰领土区域（BTR）的野生食用蔬菜是自然生长并被土著社区普遍作为食物食用的植物物种。这些植物是营养和治疗特性的重要来源，对农村社区的粮食安全和社会经济发展至关重要。因此，对这些独特植物资源的可持续保护和利用具有重要意义。开发高效准确的自动识别系统是保护这些植物资源的重要策略。当前的植物识别方法主要基于经典机器学习（ML）方法和深度卷积神经网络（CNN）架构进行识别和分类。这些方法对于在受控或原始条件下拍摄的图像是有效的，但在野生食用植物所处的森林和草地复杂自然环境中，其性能往往远不理想。本文提出了一种熵引导的动态轻量级深度学习架构，用于自动检测BTR中的野生食用蔬菜。所提出的模型采用动态核选择（DKS）、区域自适应特征路由（RAFR）、超轻量上下文编码（ULCE）和熵引导全局池化（EGGP）的自适应计算，以高效捕捉多尺度植物特征并减少冗余计算。我们所提出框架的新颖性在于这些模块的协同集成，旨在在不影响性能的情况下降低计算开销。实验结果表明，所提出的模型达到了90.69%的优异分类准确率，同时显著降低了参数复杂度和浮点运算量（FLOPs），非常适合实时精准农业和低资源边缘部署应用。