MMTA-ACDD: Multi-teacher online adaptive learning and multimodal augmentation synergy for robust crop disease detection

作物病害的诊断与控制对保障农业生产力至关重要。单阶段实时高效检测模型已广泛应用于作物病害检测任务，但通常仅在训练集与测试集分布一致时表现良好。然而，在实际作物种植环境中，实时检测模型不仅需要在源域数据上表现优异，还必须适应具有不同分布的目标域数据。为解决这一挑战，本文提出了一种主辅教师协同增强监督的测试时自适应框架，以提升实时检测模型在动态作物种植环境中的鲁棒性。具体而言，首先，我们提出了主教师监督与辅助教师引导策略，分别结合弱增强和多模态背景强增强技术，为学生模型生成更高质量的伪标签，从而缓解自适应训练中的误差累积问题。其次，我们提出了最大梯度动态自适应恢复策略（MGDA），通过设置最大恢复触发阈值和动态自适应机制，保留源模型中更有效的知识，防止学生模型在适应新域时遗忘原有知识。最后，为增强多教师架构在目标分布偏移下的鲁棒性，我们引入了目标类别感知对比学习策略（OACL），以更有效地利用伪标签进行作物病害目标检测任务中的特征学习。实验结果表明，本文提出的框架显著提升了实时检测模型在动态环境中的性能，为作物病害检测提供了有效的解决方案。