近期，中國科學(xué)院合肥物質(zhì)院智能所陳雷副研究員團(tuán)隊提出一種基于融合注意力機(jī)制改進(jìn)的水稻病害圖像域自適應(yīng)識別方法，該研究成果發(fā)表在農(nóng)林科學(xué)領(lǐng)域期刊Computers and Electronics in Agriculture上。

　　近年來，遷移學(xué)習(xí)在小樣本的作物病害害圖像識別任務(wù)中得到了廣泛的研究。然而當(dāng)目標(biāo)域與源域數(shù)據(jù)集存在較大數(shù)據(jù)分布差異時，使用遷移學(xué)習(xí)難以取得良好的效果。針對該問題，科研團(tuán)隊以小樣本水稻病害圖像識別為例，提出了一種基于注意力機(jī)制的領(lǐng)域自適應(yīng)圖像識別方法。首先，該方法優(yōu)化了水稻病害圖像特征在神經(jīng)網(wǎng)絡(luò)中的權(quán)重分配，使得注意力機(jī)制能夠更加關(guān)注與病害密切相關(guān)的特征；其次，將這種注意力機(jī)制與領(lǐng)域自適應(yīng)網(wǎng)絡(luò)融合，通過減小數(shù)據(jù)集之間的特征分布差異，進(jìn)而提高圖像識別準(zhǔn)確率；最后，為驗證所提出方法的有效性設(shè)計了對比試驗。

　　研究結(jié)果表明，該方法可有效解決目標(biāo)域與源域數(shù)據(jù)分布差異較大時導(dǎo)致的圖像分類準(zhǔn)確率不高的問題，且在源域數(shù)據(jù)集數(shù)據(jù)逐漸降低時，本研究方法依舊能夠維持較高且穩(wěn)定的準(zhǔn)確率，在三個常用的域自適應(yīng)模型上分別實現(xiàn)了91.25%、91.5%和95.25%的圖像識別準(zhǔn)確率。同時，該研究成果為小樣本條件下的作物病害圖像識別提供了一種新的方法。

　　本研究工作得到國家自然科學(xué)基金項目的支持。

　　原文鏈接：https://doi.org/10.1016/j.compag.2023.107806 

　　圖1 基于CPAM的域自適應(yīng)網(wǎng)絡(luò)

　　圖2 不同注意力機(jī)制下的CAM可視化示例