チームの最近の成果：協調的注意と自己蒸留に基づく複雑環境下における農業目標検出フレームワーク
私たちのチームは『Information Sciences』（インパクトファクター：6.8、中国科学院QSCIランクII）に論文「Agricultural object detection in complex environments via co-attention and self-knowledge distillation」を発表しました。本論文は上海大学コンピュータ工学・科学学院を筆頭機関とし。
農業対象物検出は、スマート農業や自動収穫などの応用における中核タスクである。しかし、複雑な環境下では、照明の変化、背景干渉、果実の遮蔽などの要因により、検出精度が低下することが多い。この問題を解決するため、本論文では協調注意（Co-Attention）と自己蒸留（Self-Distillation）を組み合わせた効率的な検出フレームワークを提案し、複雑なシナリオにおける農業対象物検出の精度とリアルタイム性能を効果的に向上させた。
具体的には、マルチスケール特徴融合再重み付けモジュール（Multi-scale Feature Fusion Re-weighting Module, MS-FFRM）を提案し、マルチスケール特徴融合能力を強化することで、異なるサイズの果実に対する検出精度を向上させた。同時に、協調注意デコーダー（Co-Attention Decoder）を導入し、クロスアテンションと自己アテンションの利点を組み合わせることで、ターゲットクエリの相互作用方式を最適化し、モデルが遮蔽や重なり合うターゲットをより適切に処理できるようにした。さらに、階層的自己蒸留（Hierarchical Self-Distillation）メカニズムを構築し、デコーダ内部の異なる層間での知識伝達を実現することで、空間認識と位置特定における頑健性を向上させた。4つの果実成熟度検出データセットにおける実験により、本手法の有効性が実証された：トマトデータセットで75.4%の精度を達成、実環境トマトデータセットで52.7%、イチゴデータセットで41.5%、FruitRipenessデータセットで87.1%を達成した。
