分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2024-06-17 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］害虫的精准识别对农作物虫害有效防治具有重大意义。然而，当前的害虫图像识别模型都 是针对闭集数据构建的模型，难以对训练集中没有出现过的害虫种类（不可见害虫） 进行推理，导致在实际应用 过程中遇见不可见类别昆虫时误判现象尤为严重。［方法］针对这一问题，提出了一种适用零样本学习（Zero- Shot Learning, ZSL） 和广义零样本学习 （Generalized Zero-Shot Learning, GZSL） 范式的害虫图像识别方法VSAWGAN， 可以实现对可见（训练集中包含的类别） 与不可见害虫种类的辨识。该方法基于生成对抗网络（Genera⁃ tive Adversarial Network, GAN） 生成伪视觉特征，将零样本害虫识别问题转化为传统监督学习任务，且通过引入对 比学习来优化生成器的生成质量，添加视觉-语义对齐模块进一步约束生成器，使其能生成更具判别性的特征。 ［结果与讨论］在自建的一个适用于零样本学习研究的害虫数据集和几个公开数据集对提出方法进行了评估。其 中，在多个公开数据上取得了目前最优结果，相比之前方法最大提升达到2.8%；在自建20类害虫数据集上取得了 零样本设置下77.4%的识别精度和广义零样本设置下78.3%的调和精度，相比之前方法分别提升了2.1%和1.2%。 ［结论］所提方法能有效地将害虫的视觉特征泛化到不可见类，实现害虫的零样本识别，有助于提升害虫识别模型 的泛化能力，为农作物新虫害的发现与防治提供帮助。
分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2024-06-17 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］近年来，人工智能在农业领域的应用取得了显著进展，但仍面临诸如模型数据收集标记困 难、模型泛化能力弱等挑战。大模型技术作为近期人工智能领域新的热点技术，已在多个行业的垂直领域中展现 出了良好性能，尤其在复杂关联表示、模型泛化、多模态信息处理等方面较传统机器学习方法有着较大优势。［进 展］ 本文首先阐述了大模型的基本概念和核心技术方法，展示了在参数规模扩大与自监督训练下，模型通用能力 与下游适应能力的显著提升。随后，分析了大模型在农业领域应用的主要场景；按照语言大模型、视觉大模型和 多模态大模型三大类，在阐述模型发展的同时重点介绍在农业领域的应用现状，展示了大模型在农业上取得的研 究进展。［结论/展望］ 对农业大模型数据集少而分散、模型部署难度大、农业应用场景复杂等困难提出见解，展 望了农业大模型未来的发展重点方向。预计大模型将在未来提供全面综合的农业决策系统，并为公众提供专业优 质的农业服务。
点击量
通过
点击量
下载量
评论
