HieraEdgeNet：面向自动花粉识别的多尺度边缘增强框架
摘要
自动花粉识别对于古气候学、生物多样性监测和公共卫生至关重要，但传统方法受限于效率低下和主观性。现有深度学习模型常常难以为显微目标如花粉实现所需的局部化精度，因为花粉呈现极小尺寸、模糊边缘和复杂背景。为克服这一限制，我们提出HieraEdgeNet，一种多尺度边缘增强框架。该框架的核心创新在于引入三个协同作用的模块：层次边缘模块（HEM），其显式提取对应网络早期阶段语义层次结构的多尺度边缘特征金字塔；协同边缘融合（SEF）模块，用于在每个尺度处将这些边缘先验与语义信息深度融合；跨阶段部分全谱核模块（CSPOKM），其在计算高效的跨阶段部分（CSP）框架内，使用全谱核算子——包括各向异性大卷积和混合域注意力——最大限度地细化最富细节的特征层。 在由120个花粉类别组成的大规模数据集上，HieraEdgeNet实现了平均精度（[email protected]）为0.9501，显著优于如YOLOv12n和RT-DETR等最先进基线模型。此外，定性分析确认，我们的方法生成的特征表示更精确地聚焦于对象边界。通过系统性地集成边缘信息，HieraEdgeNet为高精度、高效率的微观目标自动检测提供了稳健且强大的解决方案。
引用
@article{arxiv.2506.07637,
title = {HieraEdgeNet: A Multi-Scale Edge-Enhanced Framework for Automated Pollen Recognition},
author = {Yuchong Long and Wen Sun and Ningxiao Sun and Wenxiao Wang and Chao Li and Shan Yin},
journal= {arXiv preprint arXiv:2506.07637},
year = {2025}
}
备注
16 pages, 5 figures, 2 tables. The dataset at https://www.kaggle.com/datasets/ayinven/hieraedgenetintegratesdatasets. The models at https://huggingface.co/datasets/AyinMostima/HieraEdgeNetintegratesdatasets. The source code in at https://github.com/AyinMostima/PalynoKit