arXiv 於 2026 年 10 月 21 日公佈了一篇題為《GANet: A Lightweight Group Attention Network for Plant Disease Identification on Embedded Systems》的新論文。該文由 Anubhab Tripathi 及另外三位作者共同完成，提交時間為世界標準時間 2026 年 10 月 21 日 17:35:29，全文大小約 1,131 KB，歸類於機器學習（cs.LG）領域。論文提出了名為 GANet 的輕量級分組等變注意力網路，目標是解決植物病害的預測與監測問題，尤其是讓深度學習模型能夠在低功耗嵌入式硬體上即時執行。
論文首先交代了現實背景：全球變暖與氣候變化是植物病害的重要催化劑，對全球糧食生產造成了顯著影響。要應對這一問題，就需要對植物病害進行持續監測和早期發現。深度學習的最新進展為此提供了潛在方案，但大多數模型對算力要求很高，難以在低端電子硬體上高效執行；此外，許多已有工作只針對特定作物的病害，適用範圍有限。GANet 正是針對這兩個痛點設計的：一方面把模型做得極輕，另一方面把識別範圍擴充套件到 38 種植物病害，而非侷限於單一作物。
在方法層面，GANet 引入了兩個關鍵設計。其一是新穎的 Group Attention（分組注意力）模組，其二是 Group-Wise Feature Fusion（分組特徵融合）模組。作者表示，這兩個模組使模型同時具備稀疏性和高效性：注意力計算被組織成組的形式，從而減少冗餘運算；特徵融合則在不同組之間更有效地整合資訊。得益於這種設計，GANet 的引數量僅為 0.001M（即約一千個引數），卻能在 PlantVillage 資料集上取得 99.99% 的準確率。這一數字是該論文最引人注目的結果，說明極小的模型容量並未犧牲在標準資料集上的識別效能。
論文還特別強調了邊緣部署能力。GANet 針對樹莓派 4b 與 Jetson Nano 兩類邊緣裝置進行了最佳化，在這兩款裝置上分別達到 5 FPS 和 11 FPS。雖然幀率數字並不算高，但對於田間即時植物病害監測這類低功耗場景而言，已經具備實用意義，也印證了作者關於“在低功耗裝置上實現即時監測潛力”的論斷。
需要注意的是，論文摘要中只在 PlantVillage 資料集上報告了 99.99% 的準確率，而 PlantVillage 屬於受控條件下采集的經典基準資料集，其影像背景相對單一；摘要並未說明模型在真實田間複雜環境下的表現，也未給出與其他輕量模型的橫向對比細節，這些都有待閱讀全文進一步核實。此外，38 類病害的覆蓋範圍、各組模組的具體結構以及引數量統計口徑等細節，同樣需要查閱論文正文。該論文以 arXiv:2610.30225v1 形式釋出，DOI 為 10.48550/arXiv.2610.30225，由 DataCite 發放，作者提供了 PDF、實驗性 HTML 版本以及 TeX 原始碼等獲取途徑。