我们提出了一个名为 GrainSet 的基于机器视觉的数据库，用于谷物颗粒的视觉质量检测，其中包含超过 350K 个带有专家注释的单颗粒图像。我们还采用了常用的深度学习模型作为基准提供分类结果，相信我们的 GrainSet 将促进谷物质量检测的辅助、谷物存储和贸易的指导以及智能农业应用的发展。

Nov, 2023

本文研究在语音识别中应用大规模核方法和深度神经网络进行声学建模，并比较它们的性能。我们在四个数据集上进行了实验，使用随机傅里叶特征方法以扩展核方法的规模，在特征选择和监控基于帧的指标等方面提出了两种新技术，并演示了这些方法综合运用可以将核声学模型的性能提高到与深度神经网络相似的水平。

Jan, 2017

本文提出了一种名为 hinting 的新颖预处理流水线，指导了模型对玉米籽粒中心的关注，并使用多元 CNN 回归器提高了性能，超过了手动预测的估计值，从而提高了商业化过程、流程操作和关键决策的重要性。

Jun, 2023

本研究基于卷积神经网络 (CNN) 引入一种新颖的植物病害检测模型，用于植物图像分类，对图像分类做出了重要的贡献。创新的训练方法使系统实施变得简化高效。该模型将两种不同的植物病害分类为四个类别，提出了一种新颖的植物病害识别技术。实验结果表明，Xception 模型优于其他三个模型，在番茄数据集和玉米数据集上分别获得了 95.08% 和 92.21% 的准确率，对应的损失函数值分别为 0.3108 和 0.4204。CNN 结合批归一化实现了大约 99.89% 的训练集病害检测率和超过 97.52% 的验证准确率，伴随着 0.103 的验证损失。在模型的基础上引入额外层、跳跃连接和正则化，分别对应实验 2、实验 3 和实验 4 的 CNN 架构。综合应用各种模型，包括 MobileNet、EfficientNetB0、Xception、InceptionResNetV2 和 CNN，实现了对所有玉米和番茄图像的检测，其中模型的验证准确率为 84.42%。

Dec, 2023

本文介绍了一种用于水果检测和计数的图像处理框架，使用单眼视觉系统所获得的高分辨率图像数据，包括多尺度多层感知器和卷积神经网络，结合元数据进行分割和检测，并在商业苹果园中进行了实验，得出了最佳性能。

Oct, 2016

草莓和番茄等特殊作物的成熟度分类对于选择性采摘和质量控制是农业下游的重要活动。本文提出了一种特征提取方法，展示了在特征选择方面的最新成果，并通过比较分析表明该方法在成熟度分类和时间效率方面的表现优于现有方法。

May, 2024

使用 CNN 技术结合计算机视觉方法对葡萄园中的葡萄簇进行检测、分割和跟踪，为农业和环境应用的传感组件的开发提供了一种可复制的检测，培训，评估和跟踪农业模式的图像的方法。

Jul, 2019

该研究提出了一个简单的卷积神经网络架构，并在相同条件下使用不同的数据增强和裁剪策略训练了 16 种不同的深度学习模型，以比较其在药物识别、控制组分类和细胞聚类这三个下游任务中所学到的特征提取的性能和效率，其结果表明，多切割和随机增强通常能提高性能，而自我监督模型的性能也非常高，是训练速度最快的模型之一，但需要最大的内存和计算资源。

Mar, 2022

遥感技术在产量预测中已成为一种有前途的工具，本研究运用多实例学习在像素级别对每个县进行研究，利用细粒度数据的详细信息，并通过引入注意机制来解决特征数据集和作物掩膜之间分辨率不一致导致的混合像素问题，实验结果表明该模型在美国玉米带的过去五年中优于其他四个机器学习模型，并在 2022 年达到最佳性能，R2 值为 0.84，RMSE 为 0.83，进一步通过对混合像素和注意力之间关系的深入研究验证了该方法能够捕捉关键特征信息并过滤混合像素中的噪声。

Dec, 2023

通过对卷积核的形状与特征表示学习之间的关系的探究，结合实验结果和模拟视觉系统的观察，提出了一种新的卷积核形状设计方法，该方法在 ILSVRC-2012 数据集上减少了模型参数和计算时间，在 CIFAR-10/100 数据集上也优于现有的模型，进一步分析了该方法对于遮挡图像的分类的鲁棒性，并展示了显著的分类性能。

Nov, 2015