该研究提出了一种基于双重注意力机制的轻量级深度学习方法，可自动分类不同的植物病害，该方法在三个公开数据集上分别达到了 96.61％、99.08％ 和 91.60％ 的准确度，并在小型和大型数据集上均显著优于现有方法。

Oct, 2022

MobileNetV3 采用一种新的架构设计和自动搜索算法相结合的综合搜索技术用于优化移动设备上的图像识别任务，在分类、检测和分割等任务上实现了最新的性能水平。

May, 2019

本文介绍了 MobileNets 这一基于深度可分离卷积的轻量级深度神经网络架构，提出了利用全局超参数在时延和准确性之间平衡的方法，并在图像分类等多个领域进行了广泛实验。

Apr, 2017

通过使用计算机视觉和机器学习等先进技术，本研究构建并评估了基于 ResNet152V2 架构的卷积神经网络模型，实现了 99% 的训练准确率和 97% 的测试准确率，突出了其在昆虫分类和昆虫学研究中的潜力，以及对全球粮食安全和农业生产的重要作用。

Jun, 2024

智慧农业和精确农业是高效和可持续农业的革命性技术，该研究提出了一种新的垂直集成解决方案，利用微型无人机作为智能传感器来检测农作物的有害虫，运行深度学习模型以轻量级和准确的方式进行虫害检测。

Apr, 2024

本文提出了一种名为坐标注意力机制的新型注意力机制，将位置信息嵌入到通道注意力中以获取空间选择性的注意力图，通过将特征图分别编码成一对有方向和位置敏感的注意力图，提高了 MobileNetV2、MobileNeXt、EfficientNet 等网络中物体检测和语义分割的性能。

Mar, 2021

本文提出了一种新颖的多模态深度学习框架，结合了 tiny-BERT 的自然语言处理和 R-CNN 以及 ResNet-18 的图像处理，以增强农业害虫检测。通过集成文本上下文进行更精确的害虫识别，该方法解决了传统基于 CNN 的视觉方法的局限性。R-CNN 和 ResNet-18 的整合解决了深度 CNN 的问题，如梯度消失，而 tiny-BERT 确保了计算效率。通过线性回归和随机森林模型的集成学习，该框架展示了出色的判别能力，如 ROC 和 AUC 分析所示。将文本和图像数据融合的这种多模态方法显著提高了农业害虫检测的效果。研究突出了多模态深度学习在复杂的真实场景中的潜力，并建议在多样化的数据集、高级数据增强和跨模态关注机制方面扩展以提高模型性能。

Dec, 2023

通过使用基于多分支扩张卷积的线性瓶颈块的模型 MMNet，我们解决了移动设备上自动人像抠图的问题，实现了实时推断，而且性能下降很小，比现有技术更快。

Apr, 2019

本文提出了 MobileFaceNets 类的 CNN 模型，其使用不到 100 万个参数，专为移动和嵌入式设备上的高准确度实时人脸验证而设计，并成功解决了普通移动网络在人脸验证方面的弱点，达到了与数百 MB 大小的最新大型 CNN 模型相媲美的高精度和更多超过 MobileNetV2 2 倍的实际加速。

Apr, 2018

通过机器学习、深度学习和计算机视觉技术，该研究旨在应用 MobileNet SSD 模型进行实时动物分类，以解决农业领域野生动物对作物的威胁，通过智能稻草人与目标检测的无缝集成，为精准农业提供了一种健壮的解决方案。

Jul, 2024