PulseAugur
中
实时 10:14:11
English(EN) AdapterMoE: A Two-Stage Hard-Routing Mixture-of-Experts Architecture for Multi-Crop Disease Recognition with Calibrated Rejection and Incremental Learning

AdapterMoE架构提高了作物病害识别效率

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了AdapterMoE，一种新颖的二阶段硬路由混合专家（Mixture-of-Experts）架构，专为多作物病害识别而设计。该系统旨在通过使用RouterHead进行作物分类和拒绝，并结合Energy+KNN模块进行分布外检测，来提高效率和灵活性。该架构在冻结的EfficientNet-B0骨干网上使用了每种作物的Adapter，实现了局部更新，并避免了软路由MoE模型中常见的专家崩溃问题。AdapterMoE在准确性方面与现有基线相当，同时显著降低了训练成本，并允许在无需完全重新训练的情况下添加新作物。 AI

影响 该架构有望为专业的识别任务带来更高效、可扩展的AI系统，降低计算成本并简化模型更新。

排序理由 该集群包含一篇详细介绍新颖AI架构及其应用的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

AdapterMoE架构提高了作物病害识别效率

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Pin-Hsun Huang, Shaou-Gang Miaou ·

    AdapterMoE：一种用于多作物病害识别的两阶段硬路由混合专家架构，具有校准拒绝和增量学习功能

    arXiv:2608.08808v1 Announce Type: new Abstract: Timely crop-disease identification is critical to food security. Multi-crop recognition suits Mixture-of-Experts (MoE), but conventional soft-routing MoE learns crop assignment freely end-to-end, letting a few experts dominate (expe…

相关实体

相关话题