Метод, вдохновленный причинностью, улучшает распознавание сельскохозяйственных вредителей

Исследователи из Hefei Institutes of Physical Science Китайской академии наук под руководством профессора Се Чэнцзюня и доцента Чжан Цзе разработали инновационную структуру Decoupled Feature Learning (DFL). Этот подход, вдохновленный методами причинного вывода, призван решить проблему смещения распределения в данных для распознавания вредителей сельскохозяйственных культур.

Результаты исследования опубликованы в журнале Pest Management Science.

Точное распознавание вредителей критически важно для «умного» сельского хозяйства, так как обеспечивает здоровье, урожайность и качество культур, поддерживая экологический баланс. Несмотря на прогресс в использовании глубокого обучения для этой задачи, существующие методы плохо справляются со смещением распределения в обучающих наборах данных. Это часто приводит к чрезмерной зависимости моделей от фоновых признаков, а не от ключевых характеристик самих вредителей.

Для решения этой проблемы команда предложила структуру DFL. Она использует методы причинного вывода для смягчения смещения в данных путём создания разнообразных обучающих доменов. Также применяется функция потерь Center Triplet Loss, чтобы улучшить способность модели выделять основные признаки вредителей в разных доменах.

Новый метод DFL был протестирован на трёх различных наборах данных: Li dataset, Dong's Few-Shot Pest Dataset (DFSPD) и крупномасштабном наборе IP102. Результаты показали, что DFL значительно улучшает производительность, достигая высокой точности распознавания в 95,33%, 92,59% и 74,86% на этих наборах данных соответственно.

Визуализация результатов подтвердила, что DFL помогает моделям фокусироваться на ключевых характеристиках вредителей, что позволяет сохранять высокую точность даже при изменении распределения тестовых данных.

«Это исследование представляет собой значительный шаг вперёд в решении проблемы смещения распределения данных и повышении надёжности глубокого обучения для сельскохозяйственных применений», — сказал профессор Се Чэнцзюнь.