#轻量卷积网络

arXiv 8-12 上线论文,作者:Daniel Rossi、Guido Borghi、Roberto Vezzani。论文提出 BoltNet,一种结合 Spatial Redistribution Bottleneck 与 Logit PreSampling 的超轻量级全卷积架构,在 Pl@ntNet300K 上达到 0.682 F1-score(341K 参数,1.37 MB),为评估低于 2 MB 模型中的最高 F1,接近大参数量卷积骨干网络。在 Raspberry Pi 5、Jetson Orin Nano、Hailo-8 上的实测 FPS/W 与 CPU/GPU/NP 应用效率最优。[预印本]

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

提出轻量级WheatNet网络，实现复杂麦田麦苗检测与计数。

针对胡麻倒伏区域识别难题，研究构建改进YOLOv11n-seg模型。改进后的模型在精确度和平均精度均值上分别达到92.6%和95.2%，较原始YOLOv11n-seg模型分别提升3.7个百分点和2.1个百分点。模型参数量仅为1.73 M，计算量为8.0 GFLOPs，模型体积仅为3.8 MB，显示出较好的轻量化优势。该方法兼顾精度与轻量化，为智能化胡麻倒伏监测与实际田间设备部署提供了技术基础。

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。

刘浩然、王宇、赵学观、吴华瑞、付豪、庞树杰、翟长远(北京市农林科学院智能装备技术研究中心/国家农业智能装备工程技术研究中心)针对枝叶遮挡下田间胡萝卜苗精准识别难题,提出基于改进YOLOv11s的轻量化检测方法CD-YOLO:将主干网络部分标准卷积替换为深度可分离卷积降低模型复杂度,在C3k2模块引入高效多尺度注意力机制EMA构建C3k2_EMA模块增强关键特征动态感知,采用动态检测头强化多尺度特征融合与感知,显著提升检测鲁棒性。

提出IRUM-Net混合网络，结合Mamba与CNN实现遥感图像轻量高精度语义分割。