近期，中国科学院合肥物质院智能所仿生智能中心陈雷副研究员团队提出一种基于融合注意力机制改进的水稻病害图像域自适应识别方法，该研究成果发表在农林科学领域期刊Computers and Electronics in Agriculture上。
近年来，迁移学习在小样本的作物病害害图像识别任务中得到了广泛的研究。然而当目标域与源域数据集存在较大数据分布差异时，使用迁移学习难以取得良好的效果。针对该问题，科研团队以小样本水稻病害图像识别为例，提出了一种基于注意力机制的领域自适应图像识别方法。首先，优化了水稻病害图像特征在神经网络中的权重分配，使得注意力机制能够更加关注与病害密切相关的特征；其次，将这种注意力机制与领域自适应网络融合，通过减小数据集之间的特征分布差异，进而提高图像识别准确率；最后，为验证所提出方法的有效性设计了对比试验。
研究结果表明，该方法可有效解决目标域与源域数据分布差异较大时导致的图像分类准确率不高的问题，且在源域数据集数据逐渐降低时，本研究方法依旧能够维持较高且稳定的准确率，在三个常用的域自适应模型上分别实现了91.25%、91.5%和95.25%的图像识别准确率。同时，该研究成果为小样本条件下的作物病害图像识别提供了一种新的方法。
本研究工作得到国家自然科学基金项目的支持。
原文链接：https://doi.org/10.1016/j.compag.2023.107806
图1 基于CPAM的域自适应网络
图2 不同注意力机制下的CAM可视化示例
