CNN 植物病害分类

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。

提出模糊推理系统引导的CNN超参数优化方法，用于植物病害分类，兼顾精度与效率。

提出InResKolArno_SCO混合框架，用于物联网智慧农业中的植物病害分类。

融合MobileNetV2与EfficientNetB0特征并微调，实现植物病害高精度分类。

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。

提出基于DeiT的混合可解释框架，实现植物病害分类与严重度估计。

提出ECP-Net，用注意力与动态原型提升番茄病害分类精度与可解释性。

提出RAVA，一种循环主动视觉智能体，通过主动观察应对环境噪声，提升植物病害诊断鲁棒性。