Apr, 2023

基于陷阱的害虫计数：多尺度和变形注意力中心网络，整合内部 LR 和 HR 联合特征学习

PDF
TL;DR该研究提出了一种新的害虫计数模型 Mada-CenterNet，采用多尺度热图生成方法来适应不同尺度的害虫，利用变形和多尺度注意力设计一种基于小时钟跳跃连接，从而确保内部低分辨率和高分辨率特征的联合学习，并融合几何变形，从而提高了害虫计数精度。
pest countinglight trapsmultiscale and deformable attention centernetinternal lr and hr joint feature learningpose and occlusion problems
发现论文，激发创造
  • 用于人群计数的多尺度注意力网络

    提出了一种使用多分支尺度感知注意力网络、卷积神经网络、软注意力机制、尺度感知损失函数等方法，在 4 个不同的人群计数数据集上实现了最先进的效果，平均减少 25% 的误差。

    Jan, 2019

  • 基于双重注意力机制的植物病虫害识别轻量级网络

    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

  • 高级虫害检测与分类的多模态方法

    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

  • 通过自适应融合图像金字塔预测实现人群计数

    该论文提出使用图像金字塔和自适应融合策略处理由于尺度变化和视角扭曲导致的严重遮挡问题，取得了非常优秀的效果。

    May, 2018

  • 多尺度群体计数与定位通过多任务点监督

    本文提出了一种多任务方法来统一框架中进行人群计数和人员定位，通过学习编码人群图像的多尺度表示并将它们融合，我们的模型比相对较流行的基于密度的方法使用点监督来精确地识别人群位置，并在两个流行的分别是 ShanghaiTech A 和 B 的人群计数数据集上测试了我们的模型，展示了我们的方法在人群计数和定位任务上的强效果，分别在 ShanghaiTech A 和 B 上具有 110.7 和 15.0 的 MSE 量和 0.71 和 0.75 的 AP 量，我们的详细消融实验显示了多尺度方法的影响以及我们网络中嵌入的融合模块的有效性。

    Feb, 2022

  • PotatoPestNet: 基于 CTInceptionV3-RS 的神经网络用于准确辨识土豆害虫

    本研究利用 8 种马铃薯害虫的数据为基础，通过使用 5 种预训练转移学习模型，利用数据增强、正则化技术和随机搜索优化方法，提出了一个名为 PotatoPestNet 的 AI 马铃薯害虫识别系统，实现高精确度的害虫分类识别，并通过定量评估和可视化检验了模型的可靠性和鲁棒性。其中，自定义优化过的 InceptionV3 模型表现最佳，其准确率、精度、召回率和 F1-Score 均达到 91％。

    May, 2023

  • 昆虫分类的低成本机器视觉

    在环境可持续性领域，保护昆虫的数量和多样性是我们社会最重要的目标之一。本研究提出了一种图像方法作为多传感器系统的一部分，该系统是适应传统捕捉器类型的低成本、可扩展、开源系统。研究结果证明，重新训练后的标准 CNN 架构（如 ResNet50 和 MobileNet）在昆虫分类预测任务中表现非常出色，达到了超过 96％的分类准确率。此外，证明了昆虫图像裁剪对于具有高间类相似性的物种分类是必要的。

    Apr, 2024

  • 基于联合似然密度图和合成融合金字塔网络的尺度感知人群计数

    本文开发一种 Synthetic Fusion Pyramid Network（SPF-Net）和设计具有尺度感知损失函数，以实现准确的人群计数。我们以 Gaussian 模型噪声标注点，从输入图像中导出人群概率密度图。然后，我们使用多尺度完全协方差近似联合分布，以实现可构建性和高效实现的低秩近似。所提出的 SPF-Net 可以准确地预测人群中人员的位置，尽管是在嘈杂的训练注释下训练的。

    Nov, 2022

  • 上下文感知人群计数

    本文提出了一种端到端的可训练深度结构，该结构利用多个接收场大小获得的特征，并学习每个图像位置上每个特征的重要性，从而适应性地编码了准确预测人群密度所需的上下文信息的尺度，特别是在透视效果强烈时表现优于现有的人群计数方法。

    Nov, 2018

  • 基于 CNN 的级联多任务学习模型用于人群计数的高层先验和密度估计

    本文提出了一种基于 CNN 的端到端级联网络方法，用于共同学习人群计数分类和密度图估计，实现高精度密度图的生成，并在公开数据集上取得了良好的效果。

    Jul, 2017