Pest-PVT: A model for multi-class and dense pest detection and counting in field-scale environments
Notice bibliographique
Résumé
Field-scale pest monitoring is crucial for evaluating insect infestations in agricultural environments. The Pest24 dataset presents unique challenges due to the small pest target sizes, high target similarity, and dense pest distribution. To address these challenges, we propose Pest-PVT, a comprehensive framework based on the Pyramid Vision Transformer v2 (PVTv2) network model. Pest-PVT adopts an anchor-free approach using Fully Convolutional One-Stage Object Detection (FCOS) to enhance small object detection and incorporates Adaptive Training Sample Selection (ATSS) to mitigate sample imbalance bias. Dynamic Heads (DyHead) are employed to handle pests of varying scales and spatial changes, while Shunted Self-Attention (SSA) enhances multi-scale feature capture and reduces memory consumption. Compared to 23 other mainstream detection models and previously published works, our proposed Pest-PVT outperforms state-of-the-art detectors on pest detection datasets, achieving the outperformed scores in detection evaluation metrics such as mAP, Precision, Recall, and F1-Score, reaching 77.2 %, 78.42 %, 81.27 %, and 0.80, respectively. With a parameter size of only 24.74 M, Pest-PVT is suitable for integration into edge devices with limited resources. This work represents a significant contribution to the field of field-scale pest monitoring and addresses the specific challenges posed by the Pest24 dataset. Our code is made available at https://github.com/jlauwcj/pest-pvt .
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 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».