arXiv 于 2026 年 10 月 21 日公布了一篇题为《GANet: A Lightweight Group Attention Network for Plant Disease Identification on Embedded Systems》的新论文。该文由 Anubhab Tripathi 及另外三位作者共同完成，提交时间为世界标准时间 2026 年 10 月 21 日 17:35:29，全文大小约 1,131 KB，归类于机器学习（cs.LG）领域。论文提出了名为 GANet 的轻量级分组等变注意力网络，目标是解决植物病害的预测与监测问题，尤其是让深度学习模型能够在低功耗嵌入式硬件上实时运行。
论文首先交代了现实背景：全球变暖与气候变化是植物病害的重要催化剂，对全球粮食生产造成了显著影响。要应对这一问题，就需要对植物病害进行持续监测和早期发现。深度学习的最新进展为此提供了潜在方案，但大多数模型对算力要求很高，难以在低端电子硬件上高效运行；此外，许多已有工作只针对特定作物的病害，适用范围有限。GANet 正是针对这两个痛点设计的：一方面把模型做得极轻，另一方面把识别范围扩展到 38 种植物病害，而非局限于单一作物。
在方法层面，GANet 引入了两个关键设计。其一是新颖的 Group Attention（分组注意力）模块，其二是 Group-Wise Feature Fusion（分组特征融合）模块。作者表示，这两个模块使模型同时具备稀疏性和高效性：注意力计算被组织成组的形式，从而减少冗余运算；特征融合则在不同组之间更有效地整合信息。得益于这种设计，GANet 的参数量仅为 0.001M（即约一千个参数），却能在 PlantVillage 数据集上取得 99.99% 的准确率。这一数字是该论文最引人注目的结果，说明极小的模型容量并未牺牲在标准数据集上的识别性能。
论文还特别强调了边缘部署能力。GANet 针对树莓派 4b 与 Jetson Nano 两类边缘设备进行了优化，在这两款设备上分别达到 5 FPS 和 11 FPS。虽然帧率数字并不算高，但对于田间实时植物病害监测这类低功耗场景而言，已经具备实用意义，也印证了作者关于“在低功耗设备上实现实时监测潜力”的论断。
需要注意的是，论文摘要中只在 PlantVillage 数据集上报告了 99.99% 的准确率，而 PlantVillage 属于受控条件下采集的经典基准数据集，其图像背景相对单一；摘要并未说明模型在真实田间复杂环境下的表现，也未给出与其他轻量模型的横向对比细节，这些都有待阅读全文进一步核实。此外，38 类病害的覆盖范围、各组模块的具体结构以及参数量统计口径等细节，同样需要查阅论文正文。该论文以 arXiv:2610.30225v1 形式发布，DOI 为 10.48550/arXiv.2610.30225，由 DataCite 发放，作者提供了 PDF、实验性 HTML 版本以及 TeX 源码等获取途径。