Mam-App：一种用于苹果叶病分类的参数高效 Mamba 模型
计算机视觉与模式识别
2026-01-30 v1
摘要
全球人口的快速增长以及技术的飞速发展加剧了对粮食生产的需求。满足这一需求不仅取决于提高作物产量，还取决于减少因作物病害导致的食物损失。尽管苹果是世界上最广泛生产且营养价值极高的水果之一，但疾病仍占据了相当大比例的苹果生产损失。以往研究采用机器学习技术进行特征提取和早期诊断苹果叶病，近期还不断有深度学习模型在疾病识别方面显示出卓越的性能。然而，大多数最先进的深度学习模型参数高度密集，导致训练和推理时间增加。虽然轻量级模型更适用于用户友好且资源受限的应用，但往往会出现性能下降。为解决效率与性能之间的权衡，本文提出了 Mam-App，一种用于特征提取和叶片病害分类的参数高效 Mamba 模型。该方法在 PlantVillage 苹果叶病数据集上实现了具竞争力的最先进性能，准确率达 99.58%，精确率 99.30%，召回率 99.14%，F1 分数 99.22%，而仅使用 0.051M 参数。这种极低的参数数量使模型适用于部署在无人机、移动设备及其他低资源平台上。为演示所提出模型的鲁棒性和可泛化性，我们进一步在 PlantVillage 玉米叶病和土豆叶病数据集上进行评估。在玉米数据集上，模型分别实现了 99.48%、99.20%、99.34% 和 99.27% 的准确率、精确率、召回率和 F1 分数；在土豆数据集上，分别为 98.46%、98.91%、95.39% 和 97.01%。
引用
@article{arxiv.2601.21307,
title = {Mam-App: A Novel Parameter-Efficient Mamba Model for Apple Leaf Disease Classification},
author = {Md Nadim Mahamood and Md Imran Hasan and Md Rasheduzzaman and Ausrukona Ray and Md Shafi Ud Doula and Kamrul Hasan},
journal= {arXiv preprint arXiv:2601.21307},
year = {2026}
}
备注
18 Pages, 7 Tables, 5 Figures