CN119399635A 一种基于多尺度特征融合Transformer的大豆叶片病害识别方法 （江苏大学）

一种基于多尺度特征融合Transformer的大本发明公开了一种基于多尺度特征融合Transformer的大豆叶片病害识别方法，包括以2S6：将待识别的大豆叶片图像输入构建好的大豆叶片过将每个2x2的patch展平成一个向量并通过线性投影将其维度阶段Stage4的输出维度分别为14x14x384和7x7x768；在CEST模块中引入多头自注意力MSA和窗口多头自注意力W_MSA机MLP和残差连接得到输出特征gi；在后续的CEST模块结构中，只需要在计算特征部分将W_3在Hybrid_MLP结构中：首先，通过1x1卷积层对输入特征进行线性变换，增加通道维其中，f1x1表示内核大小为1x1的卷积运算，fdepth3x3表示内核大小为3x3的深度可分分离卷积层进一步精细化特征表示；最后，该模块引入两组1x1卷积和3x3深度可分离卷(2)使用SEWeight模块对F在通道维度上进行不同权重的分配，生成相应的通道注意(3)通过Softmax操作对通道注意力向量进行重新加权融合，得到更新后的注意力权经过金字塔池化后的特征图Pi与双尺度特征图45一种基于多尺度特征融合Transformer[0001]本发明属于农作物病害识别技术领域，具体涉及一种基于多尺度特征融合MSFF_地识别大豆叶片病害对于农业生产和经济发展是度学习算法尤其是基于卷积神经网络(CNN)的模型尽管在自动特征提取和处理复杂数据方叶片病害识别方法，该方法能够克服卷积神经网络无法兼顾全局特征和局部特征的不足，6得到56×56×96的特征图，最后通过CEST模块得到Stage1的输出维度为56×56×96。在[0026]其中，W_MSA表示窗口多头自注意力层，SW_MSA表示有位移的窗口多头自注意力7[0034]PESSA模块(PyramidEnhancedSplitAttentionwithSelf_Attention)的计算[0035](1)利用PESC模块(PyramidEnhancedSplitandConcat[0036](2)使用SEWeight权重模块对F在通道维度上进行不同权重的分配，生成相应的8[0061]如图1所示，一种基于MSFF_Transformer的大豆叶片病害识别方法，包括以下步9入层(LinearEmbedding)将每个48维向量映射到一个96维向量，得到56×56×96的特征的patch合并操作缩小为28×28×192，合并操作通过将每个2×2的patch展平成一个向量并通过线性投影将其维度扩展到192来实现，同样通过CEST模块得到Stage2的输出维度为28×28×192。与Stage2类似，Stage3和Stage4的输出维度分别为14×14×384和7×7×其次经过W_MSA进行特征学习，通过残差连接得到gi'，然后经过层归一化，最后通过Hybrid_MLP和残差连接得到输出特征[0079]其中，W_MSA表示窗口多头自注意力层，SW_MSA表示有位移的窗口多头自注意力层次的特征，捕捉到更多的局部信息和通道间的关系。最后，将提取的局部特征输入到[0111]为了评估MSFF_Transformer模型的效果，与各种大豆叶片病害识别方法进行对比，包括Xception、VGG16、DenseNet201、Vision_Transformer、Swin_Transformer和[0114]通过对比可以看出，MSFF_Trans