InsectMamba：基于状态空间模型的昆虫害虫分类
计算机视觉与模式识别
2024-04-05 v1 人工智能
摘要
昆虫害虫分类是农业技术中的关键任务，对于确保食品安全和环境可持续性至关重要。然而，由于高伪装和种类多样性等因素，害虫识别的复杂性构成了重大挑战。现有方法在提取区分相邻害虫种类的细粒度特征方面存在困难。尽管近期的研究通过修改网络结构和结合深度学习方法提高了准确率，但由于害虫与其环境的相似性，仍面临挑战。为解决此问题，我们提出了 InsectMamba 方法，集成了状态空间模型（State Space Model, SSM）、卷积神经网络（Convolutional Neural Network, CNN）、多头自注意力机制（Multi-Head Self-Attention, MSA）和多层感知机（Multilayer Perceptron, MLP）于 Mix-SSM 块中。这种集成利用每种编码策略的优势，实现对视觉特征的全面提取。我们还提出了一个选择性模块，用于自适应地聚合这些特征，增强模型辨识辨识害虫特征的能力。通过在五个昆虫害虫分类数据集上对 InsectMamba 进行评估，结果表明其性能优于强大的竞争方法，并通过消融实验验证了每个模型组件的重要性。
引用
@article{arxiv.2404.03611,
title = {InsectMamba: Insect Pest Classification with State Space Model},
author = {Qianning Wang and Chenglin Wang and Zhixin Lai and Yucheng Zhou},
journal= {arXiv preprint arXiv:2404.03611},
year = {2024}
}
备注
13 pages, 5 figures