简要概述
准确识别害虫对于有效的害虫控制和可持续的农业生产至关重要。然而，由于物种之间的细微差异、同一物种内部的巨大变异以及复杂的田间环境，害虫分类仍然具有挑战性。在这项研究中，我们开发了一种基于边界感知的注意力模型，以增强区分性特征的提取同时减少背景干扰。此外，在训练过程中还加入了辅助标签，以提高模型对类内变异的鲁棒性。在IP102数据集上的实验表明，所提出的方法取得了出色的分类性能，凸显了其在实际农业应用中的潜力。
摘要
准确识别害虫在有效的害虫管理和可持续的农业生产中起着关键作用。然而，由于类间可分性低、类内变异性大以及环境干扰复杂，精细粒度的害虫分类本质上具有挑战性。为了解决这些挑战，我们开发了一种基于边界感知的通道-空间注意力网络，以加强区分性特征的学习同时抑制背景噪声。所提出的注意力模块增强了细粒度的结构和边界线索，在杂乱的环境条件下提高了类间可分性。此外，还结合了基于害虫生长阶段的辅助标签监督，以模拟害虫的发育变化并提高类内一致性。在IP102数据集上的实验表明，所提出的方法在分类准确性方面始终优于现有的基准方法，验证了其在精细粒度农业害虫分类中的有效性。这些结果突显了将基于边界感知的注意力机制与生长阶段监督相结合在现实世界害虫分类中的潜力。
