基于少样本学习的 XAI 与植物叶片病害诊断混合分类模型
计算机视觉与模式识别
2026-03-10 v1 人工智能
机器学习
摘要
及时准确地识别作物病害对于维持农业生产力和粮食安全至关重要。当前工作提出了一种融合可解释人工智能（XAI）和少样本学习（FSL）的混合少样本学习模型，以解决在标注数据有限的情况下识别和分类玉米、稻米和小麦叶片病害阶段的挑战。该模型将 Siamese 网络和原型网络集成到 episodes 训练范式中，以有效地从少量样本中学习病害特征。为确保模型的透明性和可信度，采用梯度加权类激活映射（Grad-CAM）可视化叶片图像中的关键决策区域，为分类过程提供可解释的见解。在本研究开发的定制少样本数据集上的实验评估表明，该模型在各种病害阶段 consistently 达到高于 92% 的准确率、精确率、召回率和 F1 分数。与基线 FSL 模型的比较分析进一步确认了该方法在性能和可解释性方面的优势。该框架为实际的数据受限农业病害监控应用提供了有前景的解决方案。
引用
@article{arxiv.2603.06676,
title = {XAI and Few-shot-based Hybrid Classification Model for Plant Leaf Disease Prognosis},
author = {Diana Susan Joseph and Pranav M Pawar and Raja Muthalagu and Mithun Mukharjee},
journal= {arXiv preprint arXiv:2603.06676},
year = {2026}
}
备注
27 pages, 8 figures