本文介绍了一种基于卷积神经网络（CNN）和视觉变换器（VTs）的混合双分支网络LGNet，旨在提高植物疾病识别的性能。该网络通过设计了自适应特征融合(AFF)模和一个分层混合尺度单元制导特征融合(HMUFF)模块，在LGNet中，AFF模块被设计为有效地融合CNN和VTs，用于植物病害的局部和全局特征提取。HMUFF模块，融合了多尺度的疾病特征，进一步增强了疾病感知能力。随后，大量的实验结果验证了此方法比单一的深度网络更有效，并且在AI Challenger 2018数据集和玉米病害（SCD）数据集上都优于现有的最先进的植物病害识别模型。此外，文章还通过消融分析和可视化分析探讨了多尺度分支对LGNet的影响，以及模型在SCD数据集上的性能。总之，LGNet通过其独特的双分支结构和自适应特征融合策略，为植物疾病识别提供了一种高效且鲁棒的解决方案。

图1 AI Challenger 2018和SCD数据集的代表性示例

图2 LGNet的总体结构由双分支骨干网络、自适应特征融合模块和分层混合尺度单元制导特征融合模块组成

图3 AFF模块的结构

图4 HMUFF模块的结构

图5 每个历元的精度。(a) AI Challenger 2018数据集的结果。(b) 关于SCD数据集的结果

表1 在测试集上与单一深度学习模型的比较结果

表2 烧蚀实验结果的比较

图6 不同分支机构的功能地图可视化。 (a)代表原始图像 (b)不带HMUFF模块的型号(c)带有HMUFF模块的模型

图7 两个模型的类激活映射。(a)代表原始图像 (b)没有AFF模块的模型(C)带有AFF模块的模型

表3 在测试集上使用多尺度分支的实验结果

图8 AI Challenger 2018数据集和SCD数据集上的类激活可视化结果

图9 AI Challenger 2018数据集上三个模型的t-SNE可视化结果

表4 AI Challenger 2018数据集的比较结果

表5 SCD数据集的比较结果