通过自主训练的方法，该论文提出了一个新的用于植物表型分析的网络骨干初始化方法，并引入了一种针对叶片实例分割的新型自动后处理方法，实验证明我们的方法在所有调研场景中均提升了性能。

Jan, 2024

通过使用部分标记数据来识别未标记图像的新类别，本研究引入了一项名为 Ultra-Fine-Grained Novel Class Discovery（UFG-NCD）的新任务，并提出了一种名为 Region-Aligned Proxy Learning（RAPL）的框架，用于解决 Ultra-FGVC 中的挑战。实验表明，RAPL 在各种数据集上显著优于基准方法，显示其在处理 UFG-NCD 挑战方面的有效性。

May, 2024

本研究提出使用合成数据进行植物的实例分割，介绍了一种用于弥合种类差距的通用植物生成器 UPGen，研究了多种使用合成数据训练模型的方法，取得了比使用公开数据传递学习普遍惯例更好的效果，并在 CVPPP Leaf Segmentation Challenge 竞赛中取得新的最高水平。此研究适用于利用合成数据自动化测量表型特征。

Mar, 2020

本研究提出了一种基于机器学习和深度学习的叶子实例分割方法，通过使用产生的合成图像进行数据增强，成功地将深度学习网络训练到了 90% 的叶子分割得分，在叶子分割领域取得了领先的成果。

Jul, 2018

通过深度学习方法，提出将叶数计数作为回归问题进行直接预测，避免叶子实例分割的耗时问题，并证明结合多个数据集进行训练可以获得更好的结果。在 CVPPP 2017 叶数计数挑战数据集上，相较于之前的获胜者，该方法能够提高至少 50% 的测试结果，并且在不知道数据实验来源的情况下取得了良好的性能。

Sep, 2017

本研究旨在提高农业精准机器人对植物的理解，通过开发一个模型来提取包括叶子、茎和叶脉在内的细粒度表型信息，并引入了一种适应于关键点引导多段线的指标 POKS。

Dec, 2023

通过对植物病理学方面的当前深度学习方法进行调研和现有机器学习方法的研究，我们提出了一种名为通用堆叠多输出 CNN 的新模型（GSMo-CNN），并在三个基准数据集上进行了大量实验。实验结果表明，InceptionV3 是作为骨干 CNN 的较好选择，其性能优于 AlexNet、VGG16、ResNet101、EfficientNet、MobileNet 和我们开发的自定义 CNN，并证实单一模型的使用可以与或优于使用两个模型。最终，我们展示了提出的 GSMo-CNN 在三个基准数据集上达到了最先进的性能。

Oct, 2023

本文介绍一种使用合成数据进行少样本分类的方法，该方法可以分类高维真实世界数据集，并将其应用于以前未见的自然语言处理任务中，使用软标签原型和修改的 k 近邻分类器进行分类，结果表明该方法可以在少数样本下进行分类，甚至超越了更复杂的 few-shot 学习方法。

Oct, 2022

本文研究课程学习方法，通过改变标签表示来调整损失函数，提高深度学习模型的训练效果，在多个数据集上进行了实验验证。

Nov, 2019

本研究提出了一种从大规模数据集到小规模、特定领域细粒度图像分类（Fine Grained Visual Categorization, FGVC）任务的迁移学习方法，并通过 Earth Mover's Distance 提出了一种衡量领域相似度的方法，实现了目标领域与数据源领域之间的知识迁移，得到了最先进的结果。

Jun, 2018