局部分组与尺度引导注意力用于密集害虫计数

本研究引入了一个新的密集害虫计数问题，用于预测由数字诱捕器捕获的密集分布的害虫。与传统的基于检测的稀疏分布目标计数模型不同，基于诱捕器的害虫计数必须处理密集的害虫分布，这带来了严重遮挡、姿态变化大以及颜色和纹理外观相似等挑战。为了解决这些问题，引入局部注意力机制至关重要，该机制可以识别局部重要和不重要的区域，以学习局部分组特征，从而增强判别性能。因此，本研究提出了一种新颖的设计，将局部分组和尺度引导注意力集成到多尺度 CenterNet 框架中。为了对具有相似属性的局部特征进行分组，引入了一种直接的方法，即使用包含害虫质心信息的第一个沙漏网络预测的热力图，这消除了对复杂聚类模型的需求。为了增强注意力，像素注意力模块将热力图转换为可学习的图。随后，部署尺度引导注意力使目标和背景特征更具判别性，实现多尺度特征融合。通过实验，验证了所提出的模型能够基于局部分组和判别性特征注意力学习来增强目标特征。此外，所提出的模型在克服遮挡和姿态变化问题方面非常有效，使其更适合密集害虫计数。特别是，所提出的模型以较大优势超越了最先进的模型，对密集害虫计数做出了显著贡献。