An empirical performance comparison of deep learning models for apple leaf disease recognition
用UNet++分割苹果病叶并融合多种CNN与ViT分类，实现98.85%识别准确率。
阅读 0
关键词 · 相关资讯与研究
#DeepLabv3
沿着“DeepLabv3”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Lightweight Hybrid CNN-Transformer Network for Robust Maize Leaf Disease Detection and Edge Deployment
构建轻量MobileNetV3-Small框架实现玉米叶片病害分类并评估边缘部署。
阅读 4
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
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
基于无人机影像与YOLOv12n-RCL的向日葵成熟期盘腐病危害程度检测
山东理工大学等单位李京谦、韩国涛、赵静、张帅领、谢欣妤、付姗姗、鲁力群、兰玉彬在《农业工程学报》2026年第42卷第9期发表论文。该研究提出基于改进YOLOv12n的向日葵成熟期盘腐病危害程度检测模型,首先将主干和颈部网络的C3K2模块替换为融合感受野注意力卷积(RFAConv)与坐标注意力机制(CA)的C3K2-RC模块;其次在颈部网络集成轻量级的上采样算子CARFAE;最后引入LSCSBD(lightweight shared convolutional separable batch normalization detection)检测头。试验结果表明,YOLOv12n-RCL模型的精确率、召回率、mAP0.5和mAP0.5-0.95分别达到83.4%、81.2%、84.8%和50.2%,较基准模型YOLOv12n分别提高3.8、3.2、3.4和4.0个百分点。
阅读 7
Efficient and explainable attention-based multitask learning for fruit type, ripeness, and disease classification
提出轻量多任务模型，同时分类水果种类、成熟度和病害，并具可解释性。
阅读 4
Multi-Agent Vision-Language Debate Framework for Zero-Shot Crop Disease Diagnosis (VIDA+PANDA)
本文提出VIDA+PANDA多智能体视觉语言框架用于零样本作物病害诊断,包含两个阶段:VIDA多VLM智能体独立分析作物叶片图像建立基线性能;同行锚定命名审议架构(PANDA)在选定的智能体群体中引入结构化多轮辩论,智能体交换推理、批评同行预测、通过基于证据的讨论修订决策,反谄媚机制阻止无支持的共识转变。在CDDM基准上使用来自四个独立提供商的七个异构VLM,在完全零样本设置下,非参与方GPT-5作为独立评判者评估。框架引入三个语义度量:语义标签相似度(SLS)、推理特异性(RS)、智能体间推理收敛度(IRC)。实验结果表明协作多智能体审议提高了个体诊断性能和语义对齐,较弱智能体增益最大。原文框架发表于Frontiers in Plant Science。
阅读 4
Fine-Tuned Hybrid Deep Learning Framework for Plant Disease Classification Using MobileNetV2 and EfficientNetB0 Feature Fusion
融合MobileNetV2与EfficientNetB0特征并微调，实现植物病害高精度分类。
阅读 6