计算机科学>计算机视觉和模式识别
职务: 农业中的标签效率学习:综述
摘要: 在过去的十年中,机器学习(ML)和深度学习(DL)在农业系统中的应用取得了巨大成功,包括杂草控制、植物疾病诊断、农业机器人和精确牲畜管理。 尽管取得了巨大的进步,但这种ML/DL模型的一个缺点是,它们通常依赖于大规模的标记数据集进行训练,并且这种模型的性能受到可用标记数据样本的大小和质量的强烈影响。 此外,收集、处理和标记此类大规模数据集的成本极高且耗时,部分原因是人力成本上升。 因此,为农业应用开发标签有效的ML/DL方法受到了研究人员和从业者的极大兴趣。 事实上,自2016年以来,关于开发和应用基于深度学习的高效标签技术来解决各种农业问题的论文超过50篇,这促使作者及时、全面地回顾了最近在农业应用中的高效标签ML/DL方法。 为此,我们首先开发了一种原则性分类法,根据监督程度来组织这些方法,包括弱监督(即主动学习和半监督/弱监督学习)和无监督(即非监督/自我监督学习),并辅以具有代表性的最先进的标签效率ML/DL方法。 此外,还对利用这些标签效率算法的各种农业应用进行了系统综述,如精准农业、植物表型分析和收获后质量评估。 最后,我们讨论了当前存在的问题和挑战,以及未来的研究方向。 分类良好的论文列表可以访问 此https URL .