基于多尺度双路注意力胶囊网络在水稻害虫识别中的应用
相关研究部分列举了一些传统方法进行虫害识别的论文（特征稀疏表示与多特征融合），和2018-2020年用深度学习的方法进行虫害识别的论文。这些基于深度学习的方法普遍是在自制数据上进行实验的，对传统的网络进行改进，并于传统的网络进行对比。（本文也是一样）
一种改进可形变FCN的农作物害虫检测方法
提出了DFCN的方法进行农作物害虫检测，（列举了2017-2021年基于深度学习方法的农业害虫检测相关研究）。本文自制了8种害虫1600张图象的数据集，设计了DFCN网络，与FCN和SegNet网络进行对比。
融合空间和通道注意力机制的害虫图像识别方法研究（吉林农业大学 硕士学位论文）
使用了自制58类农林虫害数据集、公开的一个10类数据集、IP102数据集。提出基于注意力机制的害虫识别方法，与各种CNN进行比较。提供了基于Flask的害虫识别模型部署框架（Python+html）。
基于卷积神经网络和度量学习的害虫检测方法研究（浙大博士学位论文）
使用自制蚜虫数据集、iNaturalist 2017、iNaturalist 2021、IP102。
- 修改U-Net网络用于叶片表面蚜虫分割（单一害虫）。
- 基于iNaturalist2017自然环境物种图像数据集的昆虫子集进行预训练和迁移学习的方案，改进基于ImageNet数据集预训练的特征迁移效果；将害虫识别问题分解为定位问题和分类问题，提出先进行通用型的自然环境图像昆虫定位，再进行进一步分类的思路。
- 使用卷积神经网络和度量学习方法，构建基于特征匹配的害虫识别系统（添加新类别时方便）。
iNaturalist 2017：inat_comp/2017 at master · visipedia/inat_comp · GitHub
有标注框信息。
iNaturalist 2021：https://paperswithcode.com/dataset/inat2021
Agricultural Pest Super-Resolution and Identification With Attention Enhanced Residual and Dense Fusion Generative and Adversarial Network（IEEE Access 2020）
本文提出了一种生成对抗网络（GAN），该网络具有四重注意力和残差和密集融合机制来转换低分辨率害虫图像。与以前最先进的面向 PSNR 的超分辨率方法相比，我们提出的方法在图像重建方面更强大，并达到了最先进的性能。实验结果表明，使用我们提出的 GAN 进行重构后，召回率提高了 182.89%，分类准确率也提高了很多。
使用的数据集：DIV2K、Xie1、Xie2
Crop pest classification based on deep convolutional neural network and transfer learning（Computers and Electronics in Agriculture 2019）
提出了一种有效的深度 CNN 模型，用于在三个公开可用的昆虫数据集上对昆虫物种进行分类。在NBAIR、Xie1、Xie2数据集上分别达到了96.75、97.47、95。
Insect classification and detection in field crops using modern machine learning techniques（Information Processing in Agriculture 2021）
提出了一种由前景提取和轮廓识别组成的害虫检测算法，用于在高度复杂的背景中检测 Wang、Xie、Deng 和 IP102 数据集的昆虫。
Image Classification of Pests with Residual Neural Network Based on Transfer Learning（MDPI 2022）
本文提出了一种基于迁移学习的残差卷积神经网络用于害虫识别的解决方案。在IP102上分类准确率可达86.95%。
本文列举的相关工作（D0就是Xie2）：
（该表部分数据有误）
Crop pest classification with a genetic algorithm-based weighted ensemble of deep convolutional neural networks（Computers and Electronics in Agriculture 2020.12）
提出GAEnsemble模型：使用适当的迁移学习和微调策略对七种不同的预训练 CNN 模型（VGG-16、VGG-19、ResNet-50、Inception-V3、Xception、MobileNet、SqueezeNet）进行了修改和重新训练。前三个表现最好的 CNN 模型，Inception-V3、Xception 和 MobileNet，通过最大概率之和策略进行集成以提高分类性能，该模型被命名为 SMPEnsemble。之后，这些模型使用加权投票进行集成。权重由遗传算法确定，考虑到三个CNN模型的成功率和预测稳定性，该模型被命名为GAEnsemble。
GAEnsemble：D0 98.81%，Deng 95.15%，IP102 67.13%。
An Efficient Insect Pest Classification Using Multiple Convolutional Neural Network Based Models（arxiv 2021.7）
提出了不同的基于卷积神经网络的模型，包括注意力、特征金字塔和细粒度模型。在 IP102 和 D0 上获得的最高精度分别为 74.13% 和 99.78%
Code（可跑通，测试结果与论文报告一致）：https://github.com/hieuung/Improving-Insect-Pest-Recognition-by-EnsemblingMultiple-Convolutional-Neural-Network-basedModels
Insect pest image detection and recognition based on bio-inspired methods（Ecological Informatics 2020.5）
提出了一种基于显着性方法和卷积神经网络融合的自动分类器。使用三种不同的显着性方法作为图像预处理，并为每种显着性方法创建三个不同的图像。
在Deng数据集上92.43%，在IP102上61.93%。
Matlab代码：https://github.com/LorisNanni/
High performing ensemble of convolutional neural networks for insect pest image detection（Ecological Informatics 2022.3）
由不同数据增强方式和 Adam 优化组成的 CNNS 集合，基于 DGRAD 提出的两种新的 Adam 优化技术，Best Ensemble 在 Deng 数据集上达到 95.52%，在 IP102 上达到 73.46%，在 Xie2 上达到 99.81%。
Matlab代码：https://github.com/LorisNanni/
Recognizing Pests in Field-Based Images by Combining Spatial and Channel Attention Mechanism（IEEE Access 2021.12）
（与上述 吉林农业大学 硕士学位论文 相同）
在Li数据集上96.78%，在自制数据集（58分类）上96.5%，在IP102上73.29%。
Crop pest recognition in natural scenes using convolutional neural networks（Computers and Electronics in Agriculture 2020.2）
手动收集和验证的农作物害虫数据集（10 类/5629 图像）；提出一种微调的GoogLeNet模型来处理农田场景呈现的复杂背景，害虫分类结果优于原始GoogLeNet模型，获得了 6.22% 的改进。（98.91）