DS_FusionNet: Dynamic Dual-Stream Fusion with Bidirectional Knowledge Distillation for Plant Disease Recognition

📄 arXiv: 2504.20948v3 📥 PDF

作者: Yanghui Song, Chengfu Yang

分类: cs.CV

发布日期: 2025-04-29 (更新: 2025-07-05)

备注: 9 pages, 14 figures, 10th International Conference on Computer-Aided Design, Manufacturing, Modeling and Simulation (CDMMS 2025)

期刊: Proceedings of the 32nd ACM International Conference on Multimedia. 2024: 1593-1601

DOI: 10.54097/mj2fea78

💡 一句话要点

DS_FusionNet：动态双流融合与双向知识蒸馏用于植物病害识别

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 植物病害识别 双流网络 动态融合 知识蒸馏 小样本学习 细粒度图像分类 农业智能化

📋 核心要点

  1. 植物病害识别面临小样本、遮挡、光照变化以及类间相似度高等挑战，严重影响识别精度。
  2. DS_FusionNet采用双流网络提取特征，通过动态融合模块自适应地整合不同尺度的信息，并利用双向知识蒸馏提升模型性能。
  3. 实验结果表明，DS_FusionNet在多个数据集上取得了优异的分类精度，尤其在小样本和复杂场景下表现出强大的泛化能力。

📝 摘要（中文）

本研究针对经济作物全球生长安全面临的严峻挑战，提出了一种基于人工智能的农业技术，用于精确识别和预防植物病害。为了解决植物病害识别中的小样本学习、叶片遮挡、光照变化和高类间相似性等技术难题，创新性地提出了动态双流融合网络（DS_FusionNet）。该网络集成了双骨干架构、可变形动态融合模块和双向知识蒸馏策略，显著提高了识别精度。实验结果表明，DS_FusionNet仅使用PlantDisease和CIFAR-10数据集的10%即可实现超过90%的分类精度，并在复杂的PlantWild数据集上保持85%的精度，表现出卓越的泛化能力。这项研究不仅为细粒度图像分类提供了新的技术见解，而且为农业病害的精确识别和管理奠定了坚实的基础。

🔬 方法详解

问题定义：植物病害识别任务面临着诸多挑战，包括：数据集中样本数量有限（小样本学习）、叶片之间存在遮挡现象、光照条件变化不定以及不同病害之间存在高度的相似性。这些因素导致现有方法难以达到令人满意的识别精度和泛化能力。

核心思路：论文的核心思路是利用双流网络分别提取不同尺度的特征，并通过动态融合模块自适应地整合这些特征。此外，采用双向知识蒸馏策略，使得两个网络互相学习，从而提升整体的识别性能。这种设计旨在充分利用不同尺度的信息，并增强模型的鲁棒性和泛化能力。

技术框架：DS_FusionNet主要包含以下几个核心模块：1) 双骨干网络：使用两个不同的卷积神经网络（CNN）作为特征提取器，分别提取不同尺度的特征。2) 可变形动态融合模块：该模块用于自适应地融合两个骨干网络提取的特征，能够根据输入数据的特点动态调整融合权重。3) 双向知识蒸馏：通过让两个骨干网络互相学习彼此的知识，从而提升各自的性能。

关键创新：该论文的关键创新在于：1) 提出了动态融合模块，能够自适应地融合不同尺度的特征，从而更好地应对复杂场景。2) 采用了双向知识蒸馏策略，使得两个网络互相学习，从而提升整体的识别性能。这种双向学习的方式能够更有效地利用数据中的信息，并增强模型的鲁棒性。

关键设计：在网络结构方面，论文采用了两个不同的CNN作为骨干网络，例如ResNet和DenseNet。动态融合模块的设计采用了可变形卷积的思想，能够根据输入数据的特点动态调整卷积核的形状。在损失函数方面，除了传统的交叉熵损失外，还引入了知识蒸馏损失，用于指导学生网络学习教师网络的知识。具体的参数设置和超参数的选择通过实验进行调整。

📊 实验亮点

DS_FusionNet在PlantDisease和CIFAR-10数据集上，仅使用10%的数据就达到了超过90%的分类精度。在更具挑战性的PlantWild数据集上，也保持了85%的精度。这些结果表明，DS_FusionNet在小样本学习和复杂场景下具有出色的性能和泛化能力。相较于其他基线方法，DS_FusionNet在精度和鲁棒性方面均有显著提升。

🎯 应用场景

DS_FusionNet在农业领域具有广泛的应用前景，可用于植物病害的早期诊断、精准防治和智能化管理。通过部署在无人机、机器人或移动设备上，可以实现对农作物病害的实时监测和识别，从而帮助农民及时采取措施，减少损失，提高产量。此外，该技术还可以应用于植物新品种的筛选和评估，以及农业科研领域的数据分析和模型构建。

📄 摘要（原文）

Given the severe challenges confronting the global growth security of economic crops, precise identification and prevention of plant diseases has emerged as a critical issue in artificial intelligence-enabled agricultural technology. To address the technical challenges in plant disease recognition, including small-sample learning, leaf occlusion, illumination variations, and high inter-class similarity, this study innovatively proposes a Dynamic Dual-Stream Fusion Network (DS_FusionNet). The network integrates a dual-backbone architecture, deformable dynamic fusion modules, and bidirectional knowledge distillation strategy, significantly enhancing recognition accuracy. Experimental results demonstrate that DS_FusionNet achieves classification accuracies exceeding 90% using only 10% of the PlantDisease and CIFAR-10 datasets, while maintaining 85% accuracy on the complex PlantWild dataset, exhibiting exceptional generalization capabilities. This research not only provides novel technical insights for fine-grained image classification but also establishes a robust foundation for precise identification and management of agricultural diseases.