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...

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。

DBCLNet通过双分支协作和特征级联设计，显著提升了多类别农作物病害的识别性能，并在模型复杂度与精度间取得平衡。未来可进一步优化特征提取策略，并扩展至更复杂场景验证实用性。

FreqFormer通过频域注意力机制有效结合高频细节与低频全局信息，显著提升了遥感图像语义分割的精度。实验表明其在复杂场景中具有更强的判别能力，为地物分类和地理空间分析提供了新的解决方案。

在Scikit-Learn中使用KNN（K最近邻算法），代码体现了机器学习项目的典型工作流：数据准备→特征工程→模型训练→参数调优→性能评估。特别值得注意的是对数据分布保持（stratify）、特征标准化...

本次我记录一下CV分类任务的数据集分割代码。这次的分割以Plant Village数据集为例。这个数据集是用于农作物病虫害叶片分类领域的。首先我们拿到的原始数据集一般是一个大文件夹内有多个以分类...