Plantvillage
PulseAugur coverage of Plantvillage — every cluster mentioning Plantvillage across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
AdapterMoE架构提高了作物病害识别效率
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…
-
新的VQA数据集面向植物科学AI诊断
研究人员推出PlantExpertVQA，这是一个专为植物科学应用设计的新型视觉问答数据集。该数据集包含超过76.5万个问答对，来源于超过15万张图像，涵盖38种作物和89种病害。该数据集旨在提高农业领域视觉语言模型的诊断推理能力，因为当前模型在该数据集上的表现不佳。即使在PlantExpertVQA的一小部分数据上进行微调，也能显著提升模型的性能，证明了该数据集在领域适应性方面的实用性。
-
深度学习集成提高了植物病害分类的准确性
研究人员开发了AgriMind，一个用于自动化植物病害分类的集成深度学习框架。该系统结合了三种模型——ResNet50、EfficientNet-B0和DenseNet121——这些模型在超过20,000张辣椒、土豆和番茄植物的图像上进行了训练。该集成模型达到了99.23%的准确率，与单个模型相比显著降低了错误率，并展示了在GPU上高效的处理速度。
-
轻量级CNN模型提高植物病害识别准确率
研究人员开发了一种轻量级的多视图卷积神经网络，用于识别植物病害，旨在克服传统深度学习模型的计算密集性。该新模型利用附加特征来提高准确性，同时需要更少的参数，使其更适合资源受限的环境。在Plantvillage数据集上进行测试，所提出的网络在分类准确性上比基线RGB模型提高了2.9%，并以降低的计算成本实现了与最先进的深度卷积神经网络相当的准确性。