《Sensors》：ST-FGDIR: Spatiotemporal Traffic Forecasting with Forecast-Gain-Guided Deviation–Invariance Routing
编辑推荐：
这项回顾性离线研究探讨了如何利用密集的人工区域标注，对预先获取的HERMOS RGB图像进行图像级葡萄病害识别。经过审核和筛选，保留了491张源图像和13765个Pascal VOC区域。采用防泄漏的源图像划分策略，用于全图像分类、区域裁剪分类、裁剪到图像聚合
这项回顾性离线研究探讨了如何利用密集的人工区域标注，对预先获取的HERMOS RGB图像进行图像级葡萄病害识别。经过审核和筛选，保留了491张源图像和13765个Pascal VOC区域。采用防泄漏的源图像划分策略，用于全图像分类、区域裁剪分类、裁剪到图像聚合、注释引导的多实例学习（MIL）以及YOLO11定位。训练集、验证集和测试集中的MIL包由手动框导出的裁剪图像构成；因此，这些结果描述的是注释辅助的聚合性能，而非原始图像的部署效果。原始的ConvNeXt-Tiny MIL模型实现了宏F1分数0.922（95%源图像自助法置信区间0.882–0.956），相比之下，全图像ConvNeXt-Tiny模型的宏F1分数为0.836（0.754–0.895），最佳固定裁剪聚合模型的宏F1分数为0.869（0.804–0.917）。配对宏F1差异显示，MIL相较于上述基线的优势分别为0.087（95%置信区间0.029–0.163；Holm校正后p = 0.013）和0.053（0.005–0.114；校正后p = 0.036）。在九张阳性测试图像上，霜霉病的精确率和召回率均为1.000，但相应的精确95%二项式置信区间为0.664–1.000。受控消融实验表明，在没有学习注意力机制或辅助实例损失的情况下，点估计值较低，而去除上下文扩展并未降低性能；经Holm校正后，这三组配对消融测试均无统计学显著性。将检测器容量从YOLO11n提升至YOLO11s并未改善全图像mAP@0.50（0.175对比0.170）。这些发现支持将注释引导的局部证据聚合作为离线的探索性基准，但未能建立划分间稳定性、计算效率或外部葡萄园泛化能力。
一、研究背景与问题
葡萄病害会严重影响树冠功能、产量、果实品质以及植保方案的效率。RGB影像为回顾性病害分析提供了可获取的视觉记录，但由于背景杂乱、光照变化、症状相似性和病斑尺度差异等因素，可靠的决策仍然困难重重。深度卷积网络虽已证明可从叶片图像直接识别植物病害，但田间环境下的采集条件远比实验室复杂。现有研究多针对单一配方优化，难以区分骨干网络架构与标注表征及聚合策略各自的影响。此外，视觉证据本身具有疾病依赖性——白粉病表现为局部表面变化，霜霉病呈斑块状褪色，而与葡萄树干病害相关的症状则呈现异质性坏死或变色模式。一张源图像可能同时包含健康组织与多个小型病变区域，这使得局部证据的表征与骨干网络的选择同等重要。HERMOS数据集因其结合了田间葡萄图像与密集的Pascal VOC边界框标注（涵盖健康组织、白粉病、干枯病和霜霉病），为研究这一问题提供了独特资源。然而，如何有效利用这些预先存在的区域标注进行源图像诊断，尤其是在多个小型病变区域共存的情况下，仍是一个亟待解决的关键问题。
二、研究内容与结论
研究人员开展了一项回顾性离线研究，旨在评估如何将密集的手动区域标注组织起来，用于图像级葡萄病害识别。研究采用了防泄漏的源图像划分协议，在491张源图像和13765个Pascal VOC区域上，系统比较了五种不同的学习配方：全图像多标签分类、区域裁剪分类、裁剪到图像聚合、注释引导的注意力多实例学习（MIL）以及YOLO11病变检测。主要结论如下：
- 1.
注释引导的ConvNeXt-Tiny MIL模型取得了最高的图像级宏F1分数0.922，显著优于全图像分类和固定裁剪聚合基线。
- 2.
源图像自助法置信区间和配对统计检验量化了固定测试集的抽样不确定性，但未建立跨划分或多轮训练的稳定性。
- 3.
受控消融实验显示，移除学习注意力机制或辅助实例损失会降低性能点估计，但经多重性校正后无统计学显著性；上下文扩展未被证实有益。
- 4.
YOLO11s相比YOLO11n并未提升定位性能，表明低定位值并非单纯由模型容量不足导致。
- 5.
霜霉病类别的完美点估计仅基于9张阳性源图像，其精确95%置信区间极宽（0.664–1.000），凸显了小样本支持的局限性。
这项研究的重要意义在于，它提供了一个严格的离线探索性基准，证明了注释引导的局部证据聚合在图像级病害识别中的潜力，同时明确界定了其作为“注释辅助聚合基准”而非可部署自动化系统的范畴，并为未来研究指明了方向。
三、关键技术方法
研究人员主要采用了以下关键技术方法：
- 1.
防泄漏数据划分与表征：以源图像为基本划分单元，确保同一叶片的视觉相关裁剪不会出现在不同数据分区。由此衍生出四种图像表征：全图像视图、边界框视图、上下文裁剪视图（以手动框为中心，边长取框最大尺寸的1.75倍的正方形）以及MIL视图（将一张源图像的所有手动标注导出裁剪视为一个包）。
- 2.
注释引导的多实例学习（MIL）框架：对于每张源图像，将其手动标注框导出的上下文裁剪实例组成一个包。采用共享编码器（如ConvNeXt-Tiny）提取实例嵌入，并通过门控注意力机制为每个实例分配归一化权重，进而形成包描述子。包分类器输出三种疾病的概率，同时辅以实例级别的四类区域标签（健康、白粉病、干枯病、霜霉病）作为辅助监督目标，构成混合监督MIL。
- 3.
YOLO11定位基线：采用YOLO11n作为紧凑型严格定位基线，YOLO11s作为更高容量的对照，在相同协议下进行全图像和分块（tiled）检测评估。
- 4.
统计评估与不确定性量化：采用10,000次源图像自助法重采样计算95%百分位区间；使用配对预测交换随机化检验进行宏F1、微F1的比较；使用精确McNemar检验进行精确匹配比较；并对主要基线比较应用Holm校正控制多重比较。
四、研究结果
4.1 跨任务总结
审计后的数据集包含13,765个可用区域。全图像ConvNeXt-Tiny宏F1为0.836；上下文裁剪ConvNeXt-Tiny的裁剪宏F1为0.895；上下文裁剪ResNet50最大聚合的图像级宏F1为0.869；原始注释引导的ConvNeXt-Tiny MIL模型图像级宏F1达到0.922。全图像YOLO11n的mAP@0.50为0.175，而更高容量的YOLO11s为0.170。
4.2 全图像与裁剪基线
在全图像模型中，ConvNeXt-Tiny获得了最高的阈值化宏F1，而ResNet50拥有最高的宏AUROC和宏平均精度。在区域层面，上下文裁剪ConvNeXt-Tiny的裁剪宏F1最高（0.895），但其最大聚合的图像级宏F1（0.799）却低于上下文裁剪ResNet50的聚合结果（0.869），表明最准确的局部分类器未必是最佳固定聚合图像分类器。
4.3 注释引导MIL与各类别性能
原始上下文裁剪ConvNeXt-Tiny MIL模型达到了宏F1 0.922，微F1 0.889，精确匹配准确率0.781，宏AUROC 0.968，宏平均精度0.968。EfficientNet-B0和ResNet50在该聚合框架下表现较弱。在预定的主要宏F1比较中，MIL超过全图像ConvNeXt-Tiny 0.0866（Holm校正p = 0.0128），超过上下文裁剪ResNet50聚合0.0534（Holm校正p = 0.0356）。各类别结果显示，白粉病召回率高但精确率较低（0.923/0.783），干枯病精确率高（0.958），霜霉病在9张阳性测试图像上达到精确率、召回率和F1均为1.000，但其精确95%置信区间为0.664–1.000。
4.4 受控MIL消融实验
与同期复现的全模型（宏F1 0.912）相比，将门控注意力替换为均匀均值池化使宏F1降至0.860；移除辅助实例损失使宏F1降至0.862；而将上下文裁剪替换为原始边界框裁剪则得到宏F1 0.915。所有配对置信区间均包含零，且经Holm校正后无统计学显著性，表明观察到的点估计趋势需谨慎对待。
4.5 包错误与注意力集中度
在73个测试包中，50个完全正确，7个为真阴性。最常见的错误类型是假阳性预测（10个包）。注意力分布分析显示，注意力权重在疾病标签间共享，其定性可视化结果仅用于视觉审查，不构成定量定位评估。
4.6 YOLO11定位与容量控制
全图像YOLO11n的mAP@0.50为0.175，YOLO11s为0.170，增加模型容量未带来改进。分块YOLO11n的mAP@0.50为0.160，召回率略高于全图像版本。在描述性阈值扫描中，全图像和分块配置的最高微F1分别为0.265和0.276。
五、讨论与结论
讨论总结：
本研究严格限定于注释辅助和离线的范畴内进行解读。MIL相较于基线的优势虽经统计检验支持，但仅限于固定的73张测试集，未建立跨划分或跨种子的稳定性。消融实验不支持将完整模型性能归因于上下文扩展，而对学习注意力和辅助区域监督的效果仅能提供谨慎的点估计趋势。骨干网络的敏感性（ConvNeXt-Tiny优于其他）同样受限于单次运行和固定划分。YOLO11s未能提升定位性能，表明低定位值非单纯容量问题，但不排除其他检测器或方法的可能性。霜霉病类别的小样本支持（9张阳性图像）使得完美的点估计并不代表稳定的泛化能力。注意力分析仅提供定性视角，无定量定位结论。整个工作被刻意界定为回顾性离线研究，不涉及硬件、实时性、移动端执行或外部泛化，其MIL分支因推理依赖手动框而被定义为注释辅助聚合基准。
研究结论翻译：
这项回顾性离线研究将密集的手工葡萄病斑标注组织为源图像病害识别的局部证据。原始的注释引导ConvNeXt-Tiny MIL模型实现了宏F1 0.922（95%源图像自助法CI 0.882–0.956），并且在73张图像的测试集中，配对宏F1比较显示MIL优于全图像和固定裁剪聚合基线。这些区间和检验量化了固定测试样本的不确定性，但未建立多划分或多种子稳定性。霜霉病的完美点估计仅由9张阳性源图像支持，其精确率和召回率的精确区间为0.664–1.000。受控消融实验显示，在没有学习注意力或辅助实例监督的情况下，点估计值较低，但经多重性校正后无统计学显著独立效应；上下文扩展未被证实有益。在匹配协议下，YOLO11s相对于YOLO11n并未改善定位性能。这些发现支持将预设区域的注释引导聚合作为一种离线探索性配方，而非一个自动、高效、移动或外部验证的部署系统。
