MRD-LiNet：一种轻量级混合 CNN 及其基于梯度引导的取消学习，以提高干旱应激识别效果
计算机视觉与模式识别
2025-09-09 v1 人工智能
机器学习
摘要
干旱应激是全球作物生产力的主要威胁，使得其早期和精确检测对于可持续农业管理至关重要。传统方法虽有用，但往往繁琐且费时，这促使采用深度学习方法。在近年来，卷积神经网络（CNN）和视觉转换器架构被广泛用于干旱应激识别；然而，这些模型通常依赖大量可训练参数，限制了其在资源受限和实时农业场景中的应用。为此，我们提出一种新型轻量级混合 CNN 框架，灵感来自 ResNet、DenseNet 和 MobileNet 架构。该框架在保持具竞争力精度的同时，实现了相对于传统 CNN 和视觉转换器模型的可观 15 倍参数减少。此外，我们引入一种基于梯度范数相关函数的机器取消学习机制，使能够针对性地移除特定训练数据的影响，从而提高模型的适应性。该方法在经专家标注的土豆田空中图像数据集上进行评估，其中包含健康和干旱受压区域。实验结果表明，我们的框架在显著降低计算成本的同时实现了高准确率。这些发现凸显了其作为资源受限条件下可行、可扩展且具有适应性的干旱应激监测解决方案的潜力，尤其适用于精密农业。
引用
@article{arxiv.2509.06367,
title = {MRD-LiNet: A Novel Lightweight Hybrid CNN with Gradient-Guided Unlearning for Improved Drought Stress Identification},
author = {Aswini Kumar Patra and Lingaraj Sahoo},
journal= {arXiv preprint arXiv:2509.06367},
year = {2025}
}
备注
11 pages, 6 Figures, 3 Tables