11:11arXiv cs.AI@Rafi Ahamed, Md. Abir Rahman, Tasnia Tarannum Roza, Munaia Jannat Easha, Md. Asif Khan, Sudeepta MandalCottonLeafVision框架为棉花叶病分类而生,评估了DenseNet201、InceptionV3和VGG19等预训练模型。在包含6类病害和1类健康的7类公开数据集上,DenseNet201达到了98%的最高分类准确率。框架采用Grad-CAM、遮挡敏感分析和对抗训练来增强模型可解释性与噪声鲁棒性。最后,团队开发了原型,用于实际农业场景中的病害管理。AI模型CottonLeafVisionDenseNet201图像分类农业AI可解释AI推荐理由:98%准确率识别棉花叶病原文
11:09arXiv cs.AI@Adrián Cánovas-Rodriguez, Miguel A. González-Illán, Maria Fernanda García-Cruz, Pedro Nortes Tortosa, José Salvador Rubio-Asensio, Miguel A. Zamora Izquierdo, Juan Antonio Martínez Navarro, Antonio F. Skarmeta研究者提出基于注意力机制和迁移学习的桃叶损伤分类方法,解决不同田间环境下的域迁移问题。他们构建了包含 1,366 张桃叶、6 类损伤的公开基准数据集,并评估多种深度学习架构。EfficientNetB5 结合 CBAM 注意力模块取得最佳准确率 93.3%,在少数类上表现更强。针对本地 180 张图像的域迁移测试,EfficientNetB3+CBAM 通过微调策略达到 93% 的宏 F1 分数,证明注意力机制能提升模型跨域泛化能力。论文注意力机制迁移学习农业AIEfficientNetCBAM推荐理由:农业 AI 落地常卡在域迁移上——不同果园的光照、品种会让模型失效。这篇用 CBAM 注意力+迁移学习把桃叶病害分类的跨域准确率拉到 93%,做作物病害检测的团队可以直接参考其微调策略。原文