Key points are not available for this paper at this time.
على الرغم من التقدم في التعلم العميق في التعرف على أمراض أوراق النباتات، لا يزال التفريق بدقة بين الميزات الشكلية تحت ظروف بيئية متغيرة يشكل تحديات كبيرة. نماذج التعلم العميق التقليدية غالبا ما تفشل في دمج المعلومات المحلية والعالمية بفعالية، خاصة في مجموعات البيانات الصغيرة، مما يؤثر سلباً على الأداء ويزيد من تكاليف التدريب. مع التركيز على أمراض الحمضيات، نقترح نموذج FasterViT المحسن، وهو إطار عمل هجين متقدم يجمع بين CNN وViT يستند إلى نموذج FasterViT. النموذج المقترح يدمج بسلاسة قدرات التعلم المحلي السريع لـCNN مع قوة معالجة المعلومات العالمية لـViT، وبالتالي يستخرج بفعالية الملمس المعقد والميزات الشكلية من الصور. يتم استخدام طرق Mixup وCutout المتبادلة عبر المراحل بشكل استراتيجي لتعزيز قوة النموذج وقدرات التعميم، وهو ما يكون ذا قيمة خاصة للتعلم السريع على مجموعات البيانات الصغيرة عن طريق محاكاة بيئة تدريب أكثر تنوعًا. يتم استخدام آليات Triplet Attention وAdaptiveAvgPool لتقليل تكاليف التدريب وتحسين أداء التدريب. تم اختبار النموذج المقترح على كل من مجموعة بيانات أمراض الحمضيات الصغيرة التي تم إنشاؤها خصيصًا والتي تسمى مجموعة البيانات الصغيرة في الحقل ومجموعة بيانات PlantVillage الشاملة. أظهرت النتائج التجريبية أن النموذج يتمتع بقدرة على التعلم السريع والتكيف مع التدريب على عينات صغيرة في مهام كشف الأمراض النباتية، ويظهر فعالية نهج تحسيننا في تحسين دقة النموذج وتقليل تكاليف التدريب. بالإضافة إلى ذلك، تعكس أداؤه الاستثنائي في سيناريوهات التعلم بالنقل قابليته للتكيف وتطبيقه الواسع. هذه الدراسة تبرز ليس فقط كفاءة نموذج FasterViT المحسن في معالجة تعقيدات التعرف على صور الأمراض النباتية ولكنها أيضًا رائدة في نموذج جديد لتطوير أنظمة تصنيف فعالة وقابلة للتوسع وقوية.
درس تشين وآخرون (الخميس) هذا السؤال.