近期，中國科學院合肥物質院智能所陳雷副研究員團隊提出一種基于融合注意力機制改進的水稻病害圖像域自適應識別方法，該研究成果發表在農林科學領域期刊Computers and Electronics in Agriculture上。

　　近年來，遷移學習在小樣本的作物病害害圖像識別任務中得到了廣泛的研究。然而當目標域與源域數據集存在較大數據分布差異時，使用遷移學習難以取得良好的效果。針對該問題，科研團隊以小樣本水稻病害圖像識別為例，提出了一種基于注意力機制的領域自適應圖像識別方法。首先，該方法優化了水稻病害圖像特征在神經網絡中的權重分配，使得注意力機制能夠更加關注與病害密切相關的特征；其次，將這種注意力機制與領域自適應網絡融合，通過減小數據集之間的特征分布差異，進而提高圖像識別準確率；最后，為驗證所提出方法的有效性設計了對比試驗。

　　研究結果表明，該方法可有效解決目標域與源域數據分布差異較大時導致的圖像分類準確率不高的問題，且在源域數據集數據逐漸降低時，本研究方法依舊能夠維持較高且穩定的準確率，在三個常用的域自適應模型上分別實現了91.25%、91.5%和95.25%的圖像識別準確率。同時，該研究成果為小樣本條件下的作物病害圖像識別提供了一種新的方法。

　　本研究工作得到國家自然科學基金項目的支持。

　　原文鏈接：https://doi.org/10.1016/j.compag.2023.107806 

　　圖1 基于CPAM的域自適應網絡

　　圖2 不同注意力機制下的CAM可視化示例