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。

在您的主题下functions.php中添加本文代码即可实现自动推送，推送内容包括文章标题、文章设置的人工摘要（若无则提取文章内容前20个字）、文章链接。

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。