面向资源高效few-shot植物病害分类的领域适应轻量化集成
计算机视觉与模式识别
2025-12-16 v1
摘要
准确及时地识别植物叶片疾病对于韧性和可持续农业至关重要，但大多数深度学习方法依赖大规模标注数据集和计算密集型模型，不适用于数据稀缺和资源受限的环境。为此，我们提出一种在轻量化而高效框架内的few-shot学习方法，该框架将领域适应的MobileNetV2和MobileNetV3模型作为特征提取器，结合特征融合技术生成稳健的特征表示。对于分类任务，融合后的特征通过增强注意力机制的Bi-LSTM分类器传递，以捕获序列依赖性并聚焦于最相关特征，从而在复杂真实环境中实现最佳分类性能，后者包括噪声或杂乱背景。该框架在多个实验设置下进行评估，包括受控实验室和现场捕获的数据集。在番茄叶片疾病的PlantVillage数据集上，它在1至15 shot情景中始终提升了性能，达到15 shot时达到98.23+-0.33%，不远离采用注意力机制的Transductive LSTM所达到的99.98% SOTA基准，同时保持轻量化和移动友好性。在现实条件下使用来自Dhan Shomadhan数据集的现场图像，它保持稳健的性能，15 shot时达到69.28+-1.49%，并对复杂背景表现出强大的韧性。值得注意的是，它超过了PlantVillage六种疾病的先前SOTA准确率96.0%，仅用15 shot即可达到99.72%。该框架模型大小约为40 MB，推理复杂度约为1.12 GFLOPs，为数据稀缺地区的精准植物病害诊断奠定了可扩展、移动就绪的基础。
引用
@article{arxiv.2512.13428,
title = {A Domain-Adapted Lightweight Ensemble for Resource-Efficient Few-Shot Plant Disease Classification},
author = {Anika Islam and Tasfia Tahsin and Zaarin Anjum and Md. Bakhtiar Hasan and Md. Hasanul Kabir},
journal= {arXiv preprint arXiv:2512.13428},
year = {2025}
}