TranSEF: Transformer Enhanced Self-Ensemble Framework for Damage Assessment in Canola Crops
Notice bibliographique
Résumé
Crop health monitoring is crucial for implementing timely and effective interventions that ensure sustainability and maximize crop yield. Flea beetles (FB), Crucifer (Phyllotreta cruciferae) and Striped (Phyllotreta striolata), pose a significant threat to canola crop health and cause substantial damage if not addressed promptly. Accurate and timely damage quantification is crucial for implementing targeted pest management strategies if insecticidal seed treatments are overcome by FB feeding to minimize yield losses if the action threshold is exceeded. Traditional manual field monitoring for FB damage is time-consuming and error-prone due to reliance on human visual estimates of FB damage. This article proposes TranSEF, a novel self-ensemble semantic segmentation algorithm that utilizes a hybrid convolutional neural network-vision transformer (ViT) encoder–decoder framework. The encoder employs a modified cross-stage partial DenseNet (CSPDenseNet), MCSPDNet, which enhances attention to tiny regions by aggregating spatially aware features from shallow layers with deeper, more abstract features. ViTs effectively capture the global context in the decoder by modeling long-range dependencies and relationships across the image. Each decoder independently processes inputs from different stages of the MCSPDNet, acting as a weak learner within an ensemble-like approach. Unlike traditional ensemble learning approaches that train weak learners separately, TranSEF is trained end-to-end, making it a self-ensembling framework. TranSEF uses hybrid supervision with a composite loss function, where decoders generate independent predictions and simultaneously supervise each other. TranSEF achieves IoU scores of 0.831 for canola leaves and 0.807 for FB damage, and the overall mIoU improved by 2.29% and 1.56% over DeepLabv3+ and SegFormer, respectively, while utilizing only 35.42 M trainable parameters-significantly fewer than DeepLabv3+ (63 M) and SegFormer (61 M).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».