面向轻量级植物病害分类的解耦形状与纹理注意力网络 STA-Net
计算机视觉与模式识别
2025-09-05 v1 人工智能
摘要
应对全球粮食安全需求的增长，精密农业和基于深度学习的植物病害诊断愈发关键。然而，在边缘设备上部署高精度模型具有挑战性。大多数轻量级网络使用的注意力机制旨在通用目标识别，难以捕捉如不规则病斑形状和复杂纹理等细微病理特征。为此，我们提出了两方面的解决方案：首先，使用基于深度学习的神经网络架构搜索方法（DeepMAD）创建适用于边缘设备的高效网络主干；其次，引入形状-纹理注意力模块（STAM）。STAM 将注意力分解为两个分支——一个使用可变形卷积（DCNv4）实现形状感知，另一个使用 Gabor 滤波器组实现纹理感知。在公开的 CCMT 植物病害数据集上，我们的 STA-Net 模型（参数为 40.1 万，FLOPs 为 51.1 百万）达到了 89.00% 的准确率和 88.96% 的 F1 分数。消融实验表明，STAM 在基线和标准注意力模型之上显著提升了性能。通过解耦注意力集成领域知识，为边缘部署的精密农业 AI 提供了可行之路。源代码已公开于 https://github.com/RzMY/STA-Net。
引用
@article{arxiv.2509.03754,
title = {STA-Net: A Decoupled Shape and Texture Attention Network for Lightweight Plant Disease Classification},
author = {Zongsen Qiu},
journal= {arXiv preprint arXiv:2509.03754},
year = {2025}
}