#Swin Transformer ResNet18

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。

Anusree Manoj, Aiswarya S. Kumar, S. Remya, Somula Ramasubbareddy, Yong Yun Cho提出一种面向农业数字孪生系统的深度学习感知框架,涵盖杂草物种分类、语义分割和基于梯度的视觉可解释性分析。

提出全局-局部双流融合网络,叠加注意力机制+Grad-CAM可视化+大语言模型农艺建议;Dataset-1准确率99.55%、五折交叉验证98.91%±0.47,跨数据集九类公共病害准确率达90.80%。

提出结合ConvNeXt-Tiny与残差空间注意力模块的框架，实现多作物病害细粒度分类与可解释定位。

提出多分支集成头，实现小样本黄瓜物候阶段高效分类。

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。

提出MSA-TCNet多尺度注意力Transformer-CNN网络，实现遥感影像中保持细节的高精度

结合DINOv3与YOLO26提升蔬菜田间作物与杂草检测精度，助力精准除草。