PestCoCa:基于对比性因果干预表示的通用储粮害虫检测方法
《Journal of Stored Products Research》:PestCoCa: Domain generalizable stored-grain pest detection via contrastive causal intervention representation
【字体:
大
中
小
】
时间:2026年07月24日
来源:Journal of Stored Products Research 3.4
编辑推荐:
摘要:在粮食储存过程中,对粮堆表面的害虫进行检测对于保障粮食的质量与安全至关重要。近年来,人们提出了多种害虫检测方法,旨在特定环境下实现高精度检测。然而,这些方法在实际应用中仍存在局限性,尤其是在面对新场景数据时表现不佳。这类数据往往存在领域偏移现象,从而导致检测性能显著下降,这
摘要:在粮食储存过程中,对粮堆表面的害虫进行检测对于保障粮食的质量与安全至关重要。近年来,人们提出了多种害虫检测方法,旨在特定环境下实现高精度检测。然而,这些方法在实际应用中仍存在局限性,尤其是在面对新场景数据时表现不佳。这类数据往往存在领域偏移现象,从而导致检测性能显著下降,这一问题也被称作领域泛化问题。为解决这一问题,我们首先从十个不同环境来源构建了一个大规模的多领域害虫数据集,命名为PestDG。随后,我们基于对比因果干预表示方法,提出了一种名为PestCoCa的一阶段双分支框架,用于粮堆表面害虫检测。这两个分支共享权重,以处理来自不同数据分布的输入,并为后续模块提供结构支持。具体而言,在每个分支中,我们引入了因果干预表示模块,该模块通过后门调整方法挖掘与领域无关的害虫因果表示,从而提升模型对新场景数据的适应性。此外,利用双分支结构,我们还设计了对比因果对齐模块,并结合硬负样本挖掘技术,用以对齐因果特征,扩大正负样本之间的区分度,进而提升模型的泛化能力。同时,我们还设计了随机领域生成机制,以增加领域多样性,避免模型过度依赖原始数据领域的特征。在基于新构建的PestDG数据集进行的大量实验中,PestCoCa在存在领域偏移的基准测试条件下取得了87.2%的mAP值,其性能优于现有的通用物体检测方法以及最先进的领域泛化方法,优势至少为2.9%。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号