基于元学习引导的少样本植物病害剪枝
计算机视觉与模式识别
2026-05-19 v3 机器学习
摘要
偏远地区的农户常缺乏实验室或高性能计算资源，迫切需要快速可靠的方法来识别植物病害。深度学习模型能够以高准确率从叶片图像中检测病害，但这些模型通常过大且计算成本高，难以在诸如树莓派等低成本边缘设备上运行。此外，收集数千张标注病害图像进行训练既昂贵又耗时。本文通过结合神经网络剪枝（移除模型中不必要的部分）与少样本学习（使模型能够从有限样本中学习），来解决上述两个挑战。本文提出了一种称为 Disease-Aware Channel Importance Scoring (DACIS) 的方法，用于识别神经网络中最重要的部分，以区分不同植物病害，并集成到一个三阶段的 Prune-then-Meta-Learn-then-Prune (PMP) 流程中。在 PlantVillage 和 PlantDoc 数据集上的实验表明，所提出的方法可将模型大小降低 78%，同时保持原准确率的 92.3%，压缩后模型在树莓派 4 上可达到 7 帧/秒，使小农在现场进行实时诊断成为可能。
引用
@article{arxiv.2601.02353,
title = {Meta-Learning Guided Pruning for Few-Shot Plant Pathology on Edge Devices},
author = {Mohammed Mudassir Uddin and Shahnawaz Alam and Mohammed Kaif Pasha and Dr Tasneem Bano Rehman and Dr Fahmina Taranum and Afroze Begum},
journal= {arXiv preprint arXiv:2601.02353},
year = {2026}
}