研究人员开发了 CropCop,一个能够识别 120 种不同植物健康状况的植物健康识别系统。该系统的开发涉及从超过 117,000 张图像中重建基准数据集,仔细审计重复项并确保数据完整性。经过微调的 DINOv3 ConvNeXt-Tiny 模型在该基准上取得了高精度,而更紧凑的 MobileNetV4 衍生模型则以显著更小的占地面积展示了可比的性能。最终产物,一个 ExecuTorch/XNNPACK 运行时,保持了高精度和保真度,量化后观察到的变化极小。 AI
影响 为植物健康人工智能建立了一个新的可审计基准和运行时产物,有可能提高农业应用的可靠性。
排序理由 该集群描述了一篇研究论文,详细介绍了用于植物健康分类的新人工智能模型的创建和评估。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- CropCop
- DINOv3 ConvNeXt-Tiny
- Executorch
- Hugging Face
- MobileNetV4 Conv-Medium
- Rana Muhammad Ahmed
- xnnpack
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →