该研究提出了一种新型学习辅助方法DeWi，旨在提高昆虫害虫分类的识别准确性。通过单阶段交替训练策略，DeWi在两个分类基准上取得了最高准确率，显示出其在农业领域的应用潜力。

本文介绍了一种基于深度学习和卫星图像的农田边界提取方法，通过多任务语义分割实现高精度提取。研究还探讨了农业图像数据集的分类、作物可视化识别及土地覆盖监测，展示了深度学习在农业中的应用潜力。

本文介绍了基于深度学习的水果检测技术，包括Faster R-CNN和YOLOv3模型，应用于果园水果的检测与计数。研究显示，苹果和芒果的F1值超过0.9，检测精度高。此外，提出了新的数据集和框架，推动了水果检测技术的发展，满足农业实际需求。

本文介绍了多种目标检测模型的研究进展，包括时空采样网络（STSN）和YOLO系列模型。STSN通过时间可变卷积实现视频目标检测，表现优异且无需额外监督。YOLO模型在农业中应用，提升了作物检测和收获效率，优化了实时物体检测能力。这些模型在不同条件下均取得显著成果。