面向番茄病害识别的超轻量化注意力联邦学习框架
定量方法
2026-02-20 v1 机器学习
摘要
联邦学习作为一种隐私保护且高效的智能农业解决方案方法日益流行。准确的边缘诊断在分布式农场之间进行，是可持续农业中识别番茄病害的关键。传统中心化训练将原始数据聚合到中心服务器，导致通信开销、隐私风险和延迟问题。与此同时，边缘设备需要轻量级网络才能在受限资源下有效运行。本文提出U-FedTomAtt，一个面向资源受限和分布式环境下的番茄病害识别的超轻量化联邦学习框架。该模型仅包含245.34K参数和71.41 MFLOPS。首先，我们提出一种采用扩张瓶颈（DBNeck）模块和线性Transformer的超轻量化神经网络，以最小化计算和内存开销。为缓解潜在的精度损失，引入新颖的局部-全局残差注意力（LoGRA）模块。其次，我们提出联邦双适应权重聚合（FedDAWA）算法，以提高全局模型精度。第三，在三个用于番茄病害的基准数据集上进行验证。实验结果表明，所提方法在SLIF-Tomato和PlantVillage番茄数据集上分别实现了0.9910%和0.9915%的Top-1准确率，0.9923%和0.9897%的F1分数。
引用
@article{arxiv.2602.16749,
title = {U-FedTomAtt: Ultra-lightweight Federated Learning with Attention for Tomato Disease Recognition},
author = {Romiyal George and Sathiyamohan Nishankar and Selvarajah Thuseethan and Chathrie Wimalasooriya and Yakub Sebastian and Roshan G. Ragel and Zhongwei Liang},
journal= {arXiv preprint arXiv:2602.16749},
year = {2026}
}
备注
10 pages and 4 figures