DS_FusionNet：用于植物病害识别的动态双流融合与双向知识蒸馏
计算机视觉与模式识别
2025-07-08 v3
摘要
鉴于挑战全球经济作物生长安全的严峻问题，精准识别和预防植物病害已成为人工智能驱动的农业技术中的关键议题。为解决植物病害识别中的技术挑战，包括小样本学习、叶片遮挡、光照变化以及高类别相似性，本研究创新性地提出了一种动态双流融合网络（Dynamic Dual-Stream Fusion Network, DS_FusionNet）。该网络集成了双 Backbone 架构、可变动融合模块和双向知识蒸馏策略，显著提升了识别准确率。实验结果表明，DS_FusionNet 在仅使用 10% 的 PlantDisease 和 CIFAR-10 数据集时即可实现超过 90% 的分类准确率，并在复杂的 PlantWild 数据集上保持 85% 的准确率，展现出卓越的泛化能力。该研究不仅为细粒度图像分类提供了新的技术洞见，还为精准识别和管理农业病害奠定了坚实的基础。
引用
@article{arxiv.2504.20948,
title = {DS_FusionNet: Dynamic Dual-Stream Fusion with Bidirectional Knowledge Distillation for Plant Disease Recognition},
author = {Yanghui Song and Chengfu Yang},
journal= {arXiv preprint arXiv:2504.20948},
year = {2025}
}
备注
9 pages, 14 figures, 10th International Conference on Computer-Aided Design, Manufacturing, Modeling and Simulation (CDMMS 2025)