PIPNet EA for Robust and Explainable Crop Weed Classification Using Enhanced Prototype Evidence Aggregation
提出PIPNet-EA原型可解释框架，提升作物杂草分类在图像退化下的鲁棒性。
阅读 0
关键词 · 相关资讯与研究
#PIPNet-EA
沿着“PIPNet-EA”继续探索，共 0 条内容。
你可能还想看
没有这个标签，内容接近基于双路径注意力与多尺度融合的作物病虫害识别网络DPMFNet
提出轻量级双路径网络DPMFNet，实现复杂农田场景下的作物病虫害高精度识别。
阅读 8
Peach-YOLO:基于改进YOLOv8与多注意力融合的复杂环境桃实时检测方法
提出Peach-YOLO改进YOLOv8n模型，实现复杂环境下桃果实实时检测。
阅读 2
Underwater Small Object Detection: A Survey
综述水下光学图像中的小目标检测，梳理问题、数据集、算法，并展望未来方向。
农业遥感与作物表型智慧农业
阅读 3
PB-DETR：群养生猪多行为识别的自适应液体神经网络编码器与动态监督框架
提出PB-DETR框架，实现群养生猪多行为识别，mAP达0.893。
阅读 4
WheatNet 复杂麦田麦苗检测与计数的轻量化网络
提出轻量级WheatNet网络，实现复杂麦田麦苗检测与计数。
阅读 0
A gradient-enhanced lightweight network for peanut leaf disease segmentation in complex field scenarios
提出梯度增强轻量网络，用于复杂田间场景下花生叶部病害分割。
阅读 5
基于改进YOLOv10和LAMP通道剪枝的串番茄成熟度检测算法研发
赵丽成、卢鑫羽、吴茜、任妮、周玲莉、程雅雯、胡安琦、戚超(江苏省农业科学院农业信息研究所/淮阴工学院)提出基于改进YOLOv10的轻量级串番茄成熟度目标检测模型LampCT-YOLO:在主干网络引入SegNeXt注意力机制,基于梯度的全局通道重要性方法LAMP通道剪枝显著压缩模型体积和计算复杂度。LampCT-YOLO对红熟早/中/晚期mAP分别达84.6%/89.5%/88.4%,应用LAMP通道剪枝后参数量和计算量分别减少63.07%和50.06%,推理速度提升23.1%;部署至自主研发的果蔬巡检机器人在边缘设备NVIDIA Jetson AGX Orin上达到9.1帧/s推理速度。
阅读 16