基于 CBAM-STN-TPS-YOLO 的农业目标检测：通过空间自适应注意力机制提升检测精度
计算机视觉与模式识别
2025-06-10 v1 机器学习
摘要
目标检测在精密农业中至关重要，用于植物监测、病害检测和产量估计。然而，类似 YOLO 的模型在遮挡、不规则结构和背景噪声情况下难以保持检测准确性。虽然空间转换网络（STN）通过学习变换实现空间不变性，但仿射映射对诸如弯曲叶片和重叠部件的非刚性变形仍不够。我们提出 CBAM-STN-TPS-YOLO 模型，将薄板样条（TPS）集成到 STN 中，实现灵活的非刚性空间变换以更好地对齐特征。通过卷积块注意力模块（CBAM）进一步提升性能，该模块抑制背景噪声并强调相关的空间和通道特征。在遮挡较重的植物生长与表型（PGP）数据集上，我们的模型在精确率、召回率和 mAP 上均优于 STN-YOLO，实现了 12% 的误报率降低，凸显了提高空间灵活性和注意力引导优化的优势。我们还考察了 TPS 正则化参数在变换平滑性与检测性能之间平衡的影响。该轻量级模型提升了空间感知能力，支持实时边缘部署，适用于需要精准高效监控的智能农业应用。
引用
@article{arxiv.2506.07357,
title = {CBAM-STN-TPS-YOLO: Enhancing Agricultural Object Detection through Spatially Adaptive Attention Mechanisms},
author = {Satvik Praveen and Yoonsung Jung},
journal= {arXiv preprint arXiv:2506.07357},
year = {2025}
}