图1 (a)数据收集地点(b)收集设备和相应的捕获图像

图2 不同日期收集的水稻样本

图3 训练和测试数据集的分布

图4 P2P-CNF的整体架构

图5 网络瘦身程序流程图

  图6 在余弦范数融合(CNF)所使用的剪枝过程中，从批归一化(BN)层中得到缩放因子(γ)，并在训练过程中对这些因子进行正则化。当认为不太重要的通道变得稀疏时，计算修剪和保留通道之间的余弦相似度以促进它们的融合

  图7 深度关注融合模块(DAFM)的详细流程

表1 实验软件、硬件配置

  表2 不同模型在RSC-UAV数据集上的结果

  表3 RSC-UAV数据集定位实验结果

 图8 展示了RSC-UAV数据集上不同模型的可视化，其中（a）显示了地面实况。“实际计数”是指实际的点数;（b–h）显示不同模型预测的结果，其中“predcount”表示每个模型预测的点数

表4 RSC-UAV数据集不同比例参数剪枝结果

 图9 显示了RSC-UAV数据集上的可视化效果，地面实况显示在（a）上，然后是具有从（b-f）逐渐修剪参数比率的主干网络模型，原始模型显示在（g）上。可视化效果包括检测结果及其相应的热图表示形式

表5 在RSC-UAV数据集上进行的消融实验中，CNF是指本文提出的修剪方法。“尺度稀疏率”表示稀疏因子，表示CNF从主干网络修剪的参数的百分比。DAFM表示本文介绍的特征融合方法

 图10 RSC-UAV数据集上的消融实验图如下:(a)显示地面实况;(b)为使用CNF对60%的参数进行剪枝后的结果;(c)展示了仅使用CNF剪枝的P2PNet模型;(d)展示了完整的P2P-CNF方法，该方法结合了DAFM来增强特征融合

  表6不同模型在URC数据集上的结果

 图11在URC数据集的可视化中，(a)表示真实值。P2PNet、P2P-CNF(修剪60%)和P2P-CNF(修剪70%)的计数结果分别如(b-d)所示

 图12在URC数据集的热图可视化中，(a)为原始图像。(b-d)的后续列显示P2PNet的热图结果，其次是P2P-CNF(修剪60%)和P2P-CNF(修剪70%)

  表7 不同模型在WED数据集上的结果

图13 WED数据集（a）的可视化结果。(b）显示的是P2PNet的计数结果及其热图可视化，而（c）显示的是P2P-CNF的可视化结果（剪枝60%）

 表8 不同模型在MTC数据集上的结果

  图14 MTC数据集的可视化包括（a）的地面实况。从（b-f）开始，后续图像显示了具有不同列比参数的P2P-CNF的计数效应图，最终以基线模型P2PNet在（g）上的计数效应图结束

表9 不同尺度解析速率下的实验结果