From Laboratory to Field: Frozen Foundation-Model Features Toward Robust Plant Disease Recognition

提出可解释性容量上界，评估低标签下概念秩崩溃审计的可靠性。

比较联邦学习客户端级稳定化技术，提升植物病害识别的鲁棒性。

提出Nightshade-SWIN框架，用Swin Transformer提升茄科多作物叶片病害分类

提出PEAS-DeiT模型，将多尺度空间注意力融入DeiT，实现豌豆叶片病害分类。

提出GLC-Net，用全局-局部动量对比学习与关键特征校准提升田间植物病害识别。

提出融合CNN深度特征与手工特征的方法，用于植物叶片病害识别。