基于通道注意力驱动的杂交 CNN 框架用于稻叶病害检测
计算机视觉与模式识别
2024-07-17 v1 人工智能
机器学习
摘要
农户在作物生长早期识别稻叶病害面临诸多挑战，这是导致产量下降的主要原因之一。因此，及时准确地识别病害在农业中至关重要，以避免作物损失并提高培育水平。在本研究中，我们提出一种新型深度学习分类器，通过扩展 Squeeze-and-Excitation 网络架构引入通道注意力机制和 Swish ReLU 激活函数来实现。该模型的通道注意力机制在特征提取和选择过程中识别分类所需的最重要特征通道。通过采用 Swish ReLU 激活函数缓解了 dying ReLU 问题，Squeeze-and-Excitation 块还能提高信息传递和跨通道相互作用。评估结果表明，本模型取得了 99.76% 的 F1 分数和 99.74% 的准确率，超越了现有模型的性能。这一结果表明了先进深度学习技术在农业中的潜力，为推动更高效和可靠的病害检测系统的发展作出了贡献。
引用
@article{arxiv.2407.11753,
title = {A Channel Attention-Driven Hybrid CNN Framework for Paddy Leaf Disease Detection},
author = {Pandiyaraju V and Shravan Venkatraman and Abeshek A and Pavan Kumar S and Aravintakshan S A and Senthil Kumar A M and Kannan A},
journal= {arXiv preprint arXiv:2407.11753},
year = {2024}
}
备注
17 pages, 4 tables, 10 figures