В данном исследовании предлагается адаптивная мягкая архитектура Смеси Экспертов (MoE), которая объединяет EfficientNet-B0, DenseNet-121 и Swin-Tiny для решения задач классификации болезней листьев растений в условиях сложных фонов и дисбаланса классов.

  • Архитектура использует кросс-архитектурное маршрутизирование для извлечения дополнительных многомасштабных, локальных и глобальных признаков из трех моделей.
  • Механизм мягкого гейтинга динамически назначает веса экспертов, зависящие от входных данных.
  • Применяется стратегия обучения с двухэтапным уточнением для повышения стабильности оптимизации и обобщающей способности.
  • Эксперименты на сильно несбалансированном наборе данных болезней листьев картофеля показали 91,68% полноты (recall) и 92,62% F1-меру, превзойдя лучшего отдельного эксперта на 5,91% и 5,03% соответственно.
  • Дополнительные оценки на наборах данных листьев дуриана и кунжута дали F1-меры 94,03% и 97,04%, что демонстрирует надежную обобщающую способность между различными наборами данных.

Предложенная архитектура демонстрирует потенциал для надежного мониторинга здоровья сельскохозяйственных культур в реальных условиях за счет эффективного захвата разнообразных признаков и поддержания производительности на различных наборах данных.