基于角度紧凑性双损失学习提升稻叶病害检测的精细细节
计算机视觉与模式识别
2026-03-27 v1 人工智能
摘要
稻作是支撑全球人口的重要作物，及时检测稻叶病害对于减少大规模农作物损失至关重要。然而，传统深度学习模型主要依赖交叉熵损失，在植物病理学数据集中面临类内方差大和类间相似性等常见挑战。为此，我们提出一种融合 Center Loss 和 ArcFace Loss 的双损失框架，以增强稻叶病害的细粒度分类。该方法应用于三个最先进的 backbone 架构：InceptionNetV3、DenseNet201 和 EfficientNetB0，训练于公开稻叶数据集。我们的 approach 实现了显著的性能提升，准确率分别为 99.6%、99.2% 和 99.2%。结果表明，角度边缘和中心约束在显著提升特征嵌入的判别力方面作用显著。特别是，该框架无需进行 major 架构修改，因而在农业环境中高效实用。
引用
@article{arxiv.2603.25006,
title = {Improving Fine-Grained Rice Leaf Disease Detection via Angular-Compactness Dual Loss Learning},
author = {Md. Rokon Mia and Rakib Hossain Sajib and Abdullah Al Noman and Abir Ahmed and B M Taslimul Haque},
journal= {arXiv preprint arXiv:2603.25006},
year = {2026}
}