Artificial Intelligence, Machine Learning, and Deep Learning Concepts, Methods, and Real-World Impact
系统综述AI、机器学习与深度学习的概念、方法、应用及伦理挑战。
阅读 3
关键词 · 相关资讯与研究
#ConTransformer
沿着“ConTransformer”继续探索，共 0 条内容。
你可能还想看
没有这个标签，内容接近ConTransformer: Integrating Local and Global Features for Accurate Identification of Rice Leaf Diseases
提出双通道融合模型ConTransformer，精准识别五种水稻叶部病害。
阅读 0
Knowledge Distillation for Hybrid CNN–Vision Transformer Architectures: A Systematic Review
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
阅读 0
A non-destructive watermelon sweetness classification via vision transformer with cross-modal knowledge distillation
提出用视觉Transformer结合跨模态知识蒸馏，实现西瓜甜度的无损分类。
精选70 分
阅读 4
Explainable schizophrenia detection using fusion of convolutional neural network and vision transformer from electroencephalogram
提出融合CNN与ViT的深度学习框架，利用RP和WSST图像融合进行精神分裂症EEG检测。
智慧农业 / 农业物联网智慧农业
阅读 2
FusFormer: An efficient transformer-based semantic segmentation method for grafting excision point localization
提出FusFormer，一种基于Transformer的高效语义分割方法，用于嫁接切割点定位。
阅读 1
A Taxonomy of Machine Learning for UAV-Enabled Precision Agriculture: A Structured Survey (面向无人机赋能精准农业的机器学习方法分类:结构化综述)
MDPI AgriEngineering 2026, 8(6), 249。精准农业越来越依赖应用于无人机(UAV)采集的高分辨率数据的机器学习来支持作物监测、胁迫检测和产量预测。本综述提出了无人机赋能精准农业机器学习方法的结构化综述,在一个由感知模态、数据类型、模型家族和分析任务四个维度定义的统一分类法中组织100多项同行评议研究。该分类法能够在RGB、多光谱、高光谱、LiDAR和IoT数据源之间进行系统比较,并在经典机器学习、深度学习、混合顺序模型和新兴基于Transformer的架构之间进行系统比较。分析建模选择如何与数据特征相互作用以影响鲁棒性、跨环境泛化、计算效率和UAV及边缘平台上的部署可行性。识别新兴研究方向,包括数据高效学习、表示级多模态融合、域自适应、轻量级架构和不确定性感知决策支持。
阅读 3
基于改进YOLOv11n-seg的胡麻倒伏区域识别方法——兼顾精度与轻量化的智能化倒伏监测
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。
阅读 10