S²CL-Leaf Net

小样本细粒度识别

借鉴植物学家由粗到细的分类策略，用层次注意力与监督采样对比学习，在少量标注样本下实现细粒度叶片识别。

Zou, Cong · 王睿 · 金城 · Zhang, Sanyi · 王鑫

ACM Transactions on Multimedia Computing, Communications and Applications 2023

参数信息

参数量

7.8 M

设置下准确率

89.5 %

推理速度

29 FPS

技术优势

少量标注即可训练

引入监督采样对比学习，增强对细微区域的感知，降低对大量标注的依赖。

自动聚焦判别细节

层次注意力机制生成多粒度注意力图，帮助发现对分类重要的叶片细节。

应用场景

• 植物物种鉴定：用少量样本快速鉴别植物种类，降低人工鉴定成本。
• 细粒度图像识别：通过多粒度注意力捕捉细微差异，提升细粒度分类精度。
• 农业病虫害监测：在田间快速识别受害叶片，辅助病虫害早期预警。
• 野外植物调查：野外调查时轻量级模型可离线识别，减少专家依赖。