チームの最近の成果：実環境における植物葉病害診断のためのエンドツーエンド物体検出フレームワーク
私たちのチームは『Expert Systems with Applications』（インパクトファクター：7.5、中国科学院QSCIランクI）に論文「PDDNet: An End-to-End Object Detection Framework for Real-World Plant Leaf Disease Diagnosis」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。
植物葉の病害検出は、スマート農業、精密植物保護、作物健康管理における重要なタスクである。しかし、実際の農業シーンでは、葉の病斑は複雑な自然背景、多尺度の病害領域、照明変化、さらに異なる病害カテゴリ間の微細な視覚的差異などの影響を受けることが多い。そのため、既存の検出手法は、位置特定精度、分類の頑健性、シーン間の汎化能力において依然として課題に直面している。この問題を解決するため、本論文では、エンドツーエンドの植物葉病害検出フレームワークPDDNetを提案した。PDDNetは、カスケード型エンコーダ・デコーダ構造を通じて局所的な病斑の詳細情報と大域的なコンテキスト情報を融合し、実環境における病害検出性能を向上させる。
具体的には、空間注意とチャネル注意の協調的モデリングにより、異なるスケールの病斑領域に対する特徴表現能力を強化する、強化注意に基づくマルチスケール集約モジュール（Enhanced Attention-based Multi-scale Aggregation, EAMA）を提案した。同時に、事前知識に基づく自己注意機構（Prior-guided Self-Attention, PGSA）を導入し、位置事前情報とIoUの幾何関係を注意計算に組み込むことで、モデルが病斑の境界と形態構造により効果的に注目できるようにした。さらに、本論文ではマルチタスク特徴分離モジュール（Multi-task Feature Decoupling Module, MFDM）を設計し、タスク固有の動的マスクによって分類特徴と位置特定特徴を分離することで、分類タスクと回帰タスク間の競合を緩和した。PlantDocやTomato Leaf Diseaseなどの実環境データセットにおける実験結果により、PDDNetは複雑背景、多尺度病斑、細粒度カテゴリ認識タスクにおいて良好な検出性能を達成し、精密農業における自動病害診断に信頼性の高い技術的支援を提供することが示された。
論文リンク：PDDNet: An End-to-End Object Detection Framework for Real-World Plant Leaf Disease Diagnosis
