关键词 · 相关资讯与研究
沿着“生成对抗网络”继续探索，共 1 条内容。
GAN-diffusion hybrids for image generation in smart agriculture: A systematic review。Computers and Electronics in Agriculture
该综述系统归纳GAN与扩散模型混合架构在农业图像生成中的方法路线与评估方式，可作为选型参考，但结论依赖纳入文献质量，缺乏统一基准验证。
比较三种CycleGAN架构（EfficientNetB1、MobileNetV2、标准ResNet
提出轻量化植物病害识别网络GANet，在嵌入式设备上实现高精度实时识别。
提出轻量级双路径网络DPMFNet，实现复杂农田场景下的作物病虫害高精度识别。
系统综述2015-2026年混合CNN-ViT架构的知识蒸馏方法，按迁移方向、知识类型和应用领域分类
综述水下光学图像中的小目标检测，梳理问题、数据集、算法，并展望未来方向。
提出梯度增强轻量网络，用于复杂田间场景下花生叶部病害分割。
提出BAT-MG Net，用不确定性量化预测微生物浓度并提前识别隐形腐败风险。
该模型在ComBase数据子集上以6小时窗口预测微生物浓度，并用蒙特卡洛Dropout给出预测区间，将浓度与不确定性合成D-PSRI三级风险；适用边界是仅限该分析子集，未做跨数据集对比。
为降低农业病虫害识别深度学习部署的专家标注成本,文章提出三层主动学习框架:动态原型记忆通过动量指数滑动平均保持稳定类别表征;上下文感知样本选择采用神经上下文老虎机动态调整分支组合比例;类别平衡评分通过逆频加权在选择阶段直接优先关注少数类。在IP06(害虫)和Natural CW-10(杂草)数据集上,框架在90%数据可用率下分别取得83.36%和85.07%的准确率,在20%低数据可用率下较最强基线分别领先4.12和2.68个百分点。结合GAN增强数据后,IP06上准确率提升至84.91%,Natural CW-10上提升至86.42%,证明主动学习与生成式AI在智能农业中的互补价值。
