基于诱捕器的害虫计数：融合内部低分辨率与高分辨率联合特征学习的多尺度可变形注意力 CenterNet
计算机视觉与模式识别
2023-04-06 v1 人工智能
摘要
害虫计数可在早期预测害虫数量，对快速虫害防控、减少作物损害及提高产量十分重要。近年来，光诱捕器愈发用于诱集并拍摄害虫以进行计数。然而，由于严重遮挡、大幅姿态变化乃至尺度变化，害虫图像在外观上具有广泛变异性，使害虫计数更具挑战。为解决这些问题，本研究提出一种称为多尺度可变形注意力 CenterNet（Mada-CenterNet）的新害虫计数模型，用于内部低分辨率（LR）与高分辨率（HR）联合特征学习。相比传统 CenterNet，所提 Mada-CenterNet 采用两步式多尺度热图生成方法，自适应学习应对尺度变化（即害虫数量变化）的 LR 与 HR 热图。此外，为克服姿态与遮挡问题，设计了一种基于可变形与多尺度注意力的新 hourglass 间跳跃连接，以保障内部 LR 与 HR 联合特征学习并融入几何形变，从而提升害虫计数精度。经实验验证，所提 Mada-CenterNet 凭借多尺度热图生成、内部联合特征学习及可变形多尺度注意力，能更准确地生成 HR 热图并提高害虫计数精度；同时证实该模型能有效克服严重遮挡及姿态与尺度变化。实验结果表明，所提模型优于当前最优的人群计数与目标检测模型。
引用
@article{arxiv.2304.02291,
title = {Trap-Based Pest Counting: Multiscale and Deformable Attention CenterNet Integrating Internal LR and HR Joint Feature Learning},
author = {Jae-Hyeon Lee and Chang-Hwan Son},
journal= {arXiv preprint arXiv:2304.02291},
year = {2023}
}