Компьютерные науки > Компютерное видение и распознавание шаблонов [представлено 16 сентября 2026 года] Название: CoAtNet-DeepMOE: A Convolution-attlement гибридный с помощью DeepSek Mixture of Experts for Parameter-Effient Tomato Disases View PDF HTML (экспериментальное) резюме: Мировое население быстро растет, а технологии совершенствуются параллельно. Удовлетворение огромного спроса на продовольствие для этих 7 миллиардов человек зависит не только от увеличения производства продовольствия, но и от сокращения продовольственных потерь. Ущерб, вызванный болезнями, сказывается как на снабжении продовольствием, так и на финансовой и экономической стабильности страны. Помидоры входят в число основных культур, производящих продовольствие во всем мире, и значительная часть этого производства теряется из-за болезней. Люди используют методы машинного обучения для извлечения предметов и ранней диагностики помидорных заболеваний, а в настоящее время модели глубокого изучения широко используются для распознавания болезней. Вместе с тем большинство существующих моделей отличаются высокой параметричностью, что увеличивает время, необходимое для подготовки кадров и вынесения заключений. В результате этого, хотя модели легкой массы в большей степени подходят для удобных прикладных программ, они часто свидетельствуют о снижении эффективности. Для обеспечения сбалансированности показателей эффективности и размера модели мы предлагаем создать гибридную архитектуру " Коатнет-Дипмё > ,…
CoatNet-DeepMOE: Гибридная система для предупреждения заболеваний томатическими заболеваниями с помощью глубокой смеси экспертов
arXiv: 2600 9.18038v1 Annuature Type: New Human Abstract: World Population ( < " Новое резюме: численность населения мира быстро растет, и технологии совершенствуются параллельно с этим. Удовлетворение огромного спроса на продовольствие для этих 7 миллиардов человек зависит не только от увеличения производства продовольствия, но и от сокращения продовольственных потерь. Ущерб, вызванный болезнями, сказывается как на снабжении продовольствием, так и на финансовой и экономической стабильности страны. Помидоры входят в число основных культур, производящих продовольствие во всем мире, и значительная часть этого производства теряется из-за болезней. Люди используют методы машинного обучения для извлечения предметов и ранней диагностики помидорных заболеваний, а в настоящее время модели глубокого изучения широко используются для распознавания болезней. Вместе с тем большинство существующих моделей отличаются высокой параметричностью, что увеличивает время, необходимое для подготовки кадров и вынесения заключений. В результате этого, хотя модели легкой массы в большей степени подходят для удобных прикладных программ, они часто свидетельствуют о снижении эффективности. Чтобы сбалансировать производительность и размер модели, мы должны