ConMamba：用于植物病害检测的对比视觉 Mamba
计算机视觉与模式识别
2025-11-25 v2
摘要
植物病害检测（PDD）是精准农业的关键方面。然而，现有的深度学习方法通常依赖大量标注的数据集，其生成耗时且昂贵。自监督学习（SSL）通过利用大量未标记数据提供了一种有前景的替代方案。然而，由于卷积神经网络或基于 Transformer 的架构，大多数现有的 SSL 方法计算成本高昂。此外，它们难以捕捉视觉表示中的长距离依赖，并且依赖无法有效对齐局部和全局特征的静态损失函数。为了应对这些挑战，我们提出了 ConMamba，一种专为 PDD 设计的新型 SSL 框架。ConMamba 集成了视觉 Mamba 编码器（VME），该编码器采用双向状态空间模型（SSM）来高效捕捉长距离依赖。此外，我们引入了具有动态权重调整的双层对比损失，以优化局部-全局特征对齐。在三个基准数据集上的实验结果表明，ConMamba 在多个评估指标上显著优于现有方法。这为 PDD 提供了一种高效且鲁棒的解决方案。
引用
@article{arxiv.2506.03213,
title = {ConMamba: Contrastive Vision Mamba for Plant Disease Detection},
author = {Abdullah Al Mamun and Miaohua Zhang and David Ahmedt-Aristizabal and Zeeshan Hayder and Mohammad Awrangjeb},
journal= {arXiv preprint arXiv:2506.03213},
year = {2025}
}