arXiv 2610.17996 2026 年 10 月 13 日·10月13日 · 周二论文农业人工智能与决策模型阅读 1
Uncertainty-Aware Semi-Supervised Framework with Supervised Contrastive Learning for Sugarcane Leaf Disease Detection [预印本]
论文解读
69接近精选线
速览
提出半监督不确定性感知网络U-SSDNet，用少量标注实现甘蔗叶病高精度检测。
方法
Mean-Teacher半监督、离散小波变换、KL散度伪标签优化、监督对比学习。
发现
仅需少量标注即接近全监督精度，显著优于主流监督与半监督方法。
机会点
可将该不确定性半监督框架迁移至其他作物病害，并探索田间复杂光照与多生育期泛化。
影响力12
信息增量20
专业深度17
信源权威11
时效性9
预印本提出不确定性感知半监督框架，方法新颖且少标注下接近全监督精度，对作物病害智能识别有参考价值，但尚属实验室阶段成果。
原文摘要
Shalini Dangi等提出基于Mean-Teacher半监督学习的不确定性感知病害检测网络U-SSDNet,用于甘蔗叶病检测。论文针对(i)同一病害在不同生育期表现差异大,(ii)病健组织类间相似,(iii)标签噪声等问题,先以离散小波变换增强病斑并降低类内差异,再用KL散度优化伪标签减轻确认偏差,同时引入监督对比学习提升类间区分度。甘蔗叶病数据集上的实验显示,U-SSDNet仅需少量标注即可接近全监督模型精度,显著优于当前主流监督与半监督方法。