【人工智能】作物叶片病害分类去背景方法&MaxViT混合玉米数据集&模型改进实验-2025年3月22日人工智能组会总结

此次组会的汇报内容（按顺序）如下：

作物叶片病害分类去背景方法

这是第一篇论文，作者将Plant Village数据集原本256x256的图片切割为了32x32的小块，并使用3个月时间将新数据集进行了标注。模型使用了一个小型Inception作为核心（挺水的），验证了其泛化能力。

思考：将旧玉米数据集进行OpenCV预处理后切分为多个patch，计算patch是否属于背景，仅保留含叶片50%以上的patch（或者先用语义分割模型将背景填黑，之后再进行分类），这种方法是否可行？或者有没有其他的去背景方法，或者将注意力转移到叶片之上。

MaxViT混合玉米数据集

这是第二篇论文，一区顶刊，作者将Plant Village，PlantDoc和CD&S数据集中玉米分类融合为新的大数据集，并在改进的MaxViT模型上进行实验，与其他CNN和ViT模型进行了大量实验对比。

以上两篇论文详细的笔记请见具体文章。

模型改进实验

针对我的遥感模型，问题还是存在的，虽然有些提升，Potsdam测试集上的mIoU的下降幅度也有所降低，但总之还是需要进一步优化。暑假前先把ShiftingNet论文投出，遥感模型暑假时再说。

同时我也将论文二中的混合数据集自己分割出来了，在ShiftingNet上跑出了MixCorn Test Acc 最高98.73%的成绩，比论文二提出的改进MaxViT差了大概0.5%，这个模型下周还要继续改进。

目前改进的想法和MixCorn这个新的混合数据集效果还需实验进一步验证，目前ShiftingNet要保持当前的Acc进一步轻量化，或者保持当前的轻量化进一步提升Acc。