IMPLEMENTATION OF META-HEURISTIC OPTIMIZATION ALGORITHMS IN CONVOLUTIONAL NEURAL NETWORKS FOR OBJECT DETECTION AND CLASSIFICATION
综述元启发式算法嵌入CNN流程以优化目标检测与分类的研究进展。
← 主题
CNN 目标检测
A Comprehensive Review of Deep Learning and Computer Vision Techniques for Fruit Quality Assessment and Classification
系统综述深度学习与计算机视觉在水果品质评估与分级中的全流程方法。
INTERNATIONAL JOURNAL OF COMPUTER SCIENCE AND MATHEMATICAL THEORY E-ISSN·10月12日 · 周一0 分 论文智慧农业 / 农业物联网阅读 1
A Survey of Object Detection and Classification in Video Using Deep Learning Approaches
综述视频目标检测与分类从手工特征到深度学习方法的演进、模型、数据集与挑战。
Knowledge Distillation for Hybrid CNN–Vision Transformer Architectures: A Systematic Review
系统综述2015-2026年混合CNN-ViT架构的知识蒸馏方法，按迁移方向、知识类型和应用领域分类
International Journal of Innovative Research in Engineering·9月21日 · 周一59 分 论文农业AI与大模型智慧农业 / 农业物联网阅读 3
Artificial Intelligence in Plant Disease Detection: An Introduction to Intelligent and Automated Crop Health Monitoring
综述AI在植物病害检测中的应用，涵盖图像采集到模型评估全流程及未来趋势。
Full shuffle and p-rectified semi-inner powerful IoU-based chili pepper flower recognition with environment-aware YOLO11
基于YOLO11改进，实现温室辣椒花精准检测。
Design and Deployment of Multi-Class Image Classification Model on ESP32 Using a Lightweight CNN Approach
在ESP32微控制器上训练并部署轻量CNN多类图像分类模型，实现无云端的嵌入式视觉。
Object Detection in Computer Vision: A Comprehensive Review of Algorithms, Datasets, and Evaluation Techniques
系统综述目标检测三十年发展，从传统方法到深度学习、Transformer及大语言模型，并分析数据集与
A Comparative Evaluation of Deep Learning Object Detection Models on a Real-World Multi-Plant Dataset from Africa
本文对YOLOv5、YOLOv8、YOLO11、YOLO26、Faster R-CNN、RT-DETR六种目标检测模型在尼日利亚农场实地采集的真实世界数据集AgriAISeg 1(3382张芝麻、卷心菜、番茄图像)上进行比较,涵盖不同光照、遮挡和视角条件。结果显示RT-DETR整体表现最优,精度0.768、[email protected]:0.95达0.624;YOLOv8和YOLO11表现稳定强劲;Faster R-CNN精度显著较低,[email protected]仅0.466,YOLO系模型训练效率优于Faster R-CNN。研究表明,现代单阶段和基于Transformer的检测器在真实世界农业环境中提供更可靠、高效的植物检测解决方案。原文标题:A Comparative Evaluation of Deep Learning Object Detection Models on a Real-World Multi-Plant Dataset from Africa,作者:Ismail Ismail Tijjani等8人,arXiv:2608.11053,2026年8月11日提交。