Pest-ConFormer通过融合CNN与Transformer的优势，结合多尺度特征聚合和弱监督学习，显著提升了细粒度害虫分类性能，但计算复杂度较高。未来工作可围绕轻量化、小目标优化和数据增强展开。

我阅读了LSRFormer模块论文，它融合ViT和CNN优势，通过Split Windows分割特征图，采用LR-SA（长程自注意力）和SR-SA（短程自注意力）分别建模全局依赖和局部细节，并结合MSC-FFN增强多尺度特征...

我总结了UNet++论文，该论文发表在MICCAI会议上，引用量高达6895次。UNet++通过改进传统U-Net架构，引入了嵌套密集跳跃连接和深度监督，显著提高了医学图像分割的精度。实验结果显示，UNet++在...

本文提出一种轻量化改进的MaxViT模型，通过集成SE模块和GRN技术优化结构，并结合多源数据集（5234张图像）进行玉米叶片病害检测。实验表明，该模型在四分类任务中准确率达99.24%，推理速度达0.0...

我阅读的这篇论文综述了深度学习在植物病虫害检测领域的最新进展。论文作者首先指出传统检测方法存在耗时费力、依赖专业知识的局限性，然后系统分析了深度学习技术在图像分类、目标检测、语义分...

研究聚焦于作物病害识别与遥感频域特征融合。基于ShiftingNet的病害识别模型在Plant Village数据集上实现多类作物Val Acc达99.8%，验证了标准化预处理对复杂背景图像的重要性；针对ConvLSRNet的...