葡萄叶病害识别大起底：跨数据集性能暴跌，检测任务更难搞！
A Dataset-Centric Benchmark of Deep Learning Methods for Grape Leaf Disease Classification and Detection
📖 AI 总结
该研究提出了一个以数据集为中心的深度学习基准，用于葡萄叶病害的分类与检测。论文分析了现有公开数据集在病害类别、标注类型、采集条件、图像特征、类别分布及来源等方面的差异，并在图像级分类、区域级分类和目标检测三种任务设置下评估了代表性模型。结果显示，在多个受控或衍生数据集上分类性能已接近饱和，但在异质数据集上难度显著增加；检测性能在不同标注设置下差异较大。跨数据集实验表明，性能大幅下降，尤其目标检测任务，说明共享病害标签并不等同于识别任务等价。研究强调数据集来源、真实田间评估、标注兼容性和外部验证对可靠葡萄园病害识别的重要性。
🔑 关键词速览
| dataset-centric benchmark | 以数据集为中心的基准测试，强调数据集特性对模型评估的影响，而非仅关注模型架构。 |
| mAP@50 | 平均精度均值，在IoU阈值为0.50时计算，用于评估对象检测的定位和分类性能。 |
| mAP@50:95 | 在IoU阈值从0.50到0.95（步长0.05）上计算的平均精度均值，提供更严格的检测性能评估。 |
| cross-dataset experiments | 跨数据集实验，指在一个数据集上训练模型并在另一个数据集上测试，以评估泛化能力。 |
| annotation compatibility | 标注兼容性，指不同数据集之间标注类型和格式的一致性，影响模型迁移和联合训练。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅