StateSpace-SSL：用于植物病害检测的线性时间自监督学习
计算机视觉与模式识别
2025-12-12 v2
摘要
自监督学习（SSL）对植物病害检测具有吸引力，因为它可以利用大量无标注叶片图像，但大多数现有的SSL方法建立在CNN或视觉变换器之上，这些模型与农业图像不太匹配。基于CNN的SSL难以捕获沿叶片结构连续演变的病害模式，而基于变换器的SSL因高分辨率补丁引入了二次注意力代价。为解决这些局限性，我们提出了StateSpace-SSL，一个线性时间的SSL框架，采用Vision Mamba状态空间编码器，通过沿叶片表面的方向扫描来建模远距离病斑连续性。一个由原型驱动的教师-学生目标对齐多个视图中的表示，鼓励来自标注数据的稳定和病斑感知特征。在三个公开可用的植物病害数据集上的实验表明，StateSpace-SSL在各种评估指标上持续优于基于CNN和变换器的SSL基线方法。定性分析进一步证实，它学习到紧凑的、聚焦于病斑的特征图，突显了线性状态空间建模用于自监督植物病害表示学习的优势。
引用
@article{arxiv.2512.09492,
title = {StateSpace-SSL: Linear-Time Self-supervised Learning for Plant Disease Detection},
author = {Abdullah Al Mamun and Miaohua Zhang and David Ahmedt-Aristizabal and Zeeshan Hayder and Mohammad Awrangjeb},
journal= {arXiv preprint arXiv:2512.09492},
year = {2025}
}
备注
Accepted to AAAI workshop (AgriAI 2026)