本文对深度学习技术在农业和食品生产方面应用的 40 项研究进行了综述，考察了研究中使用的数据、模型和框架，比较了深度学习和其他常用图像处理技术在分类或回归性能上的表现，结果表明深度学习准确性高，优于现有的常用图像处理技术。

Jul, 2018

人工智能在农业中的应用被大部分忽视，本文通过对机器学习在农业中的应用进行全面综述，旨在探索其在农业实践和效率提升中的转型潜力，以优化作物产量并减少环境影响。通过分析和分类农业数据，本研究突出了机器学习能够提高农场生产力和盈利能力的例子，并讨论了在农业应用中显示有希望结果的重要机器学习模型及其独特特点。通过系统综述现有文献，本文填补了人工智能在农业领域的研究空白，为新手和研究者提供了有价值的信息，更深入地了解人工智能在农业中的重要贡献和潜力，最终受益于研究界。

May, 2024

本文调查了超过 300 篇最近的论文，提供了在医学图像分析中标签有效的学习策略方面最新进展的综合概述，并深入研究了标准的半监督、自监督和多实例学习方案，以及最近出现的积极的和注释有效的学习策略。此外，文章还具有独特的特点，详细分析了领域中的当前挑战，并提出了未来研究的潜在途径。

Mar, 2023

开发了一个易于使用的网络应用程序，以解决种植作物面临的问题，其中包括作物推荐、肥料推荐、植物病害预测和交互式新闻提要，同时应用解释性技术解释病害检测模型的预测。

Apr, 2022

可持续发展需求引入了一系列信息技术来辅助农业生产。特别是，人工智能的一个分支，即机器学习应用的出现，展示了多个突破，可以增强和革新植物病理学方法。近年来，机器学习已在学术研究和工业应用中被用于叶病分类。因此，本研究将提供对该主题不同方面，包括数据、技术和应用的综述。论文首先介绍公开可获取的数据集，然后总结常见的机器学习技术，包括传统（浅层）学习、深度学习和增强学习。最后，讨论相关应用。本论文将为未来智能农业以及叶病分类的机器学习研究和应用提供有用的资源。

Oct, 2023

综述了深度学习在多标签学习中的最新进展，包括深度神经网络、转换器、自编码器以及卷积和循环结构的体系结构，并提出了对现有方法的比较分析，以提供有洞察力的观察和促进该领域未来的研究方向。

Jan, 2024

进行全面回顾医学图像分析数据有效深度学习方法，将其按照所依赖的监督水平进行分类，并进一步细分为多个子类，研究常用的数据集和未来的研究方向。

Oct, 2023

本文首次综述了基于标注效率的点云数据学习，并提出了基于不同类型标签提供的数据前提条件组织标注效率学习方法。该文分类了四种典型的降低点云标注成本的方法：数据增强、域迁移学习、弱监督学习和预训练基础模型，并对这些方法进行了广泛的文献综述。同时，该文分析了当前研究中的挑战并提出了未来研究的发展方向。

May, 2023

利用深度学习方法，通过半自我监督域适应技术在精确农业领域实现农作物图像的自动化标注，以及在不同环境条件下适应性强的解决方案，以推动先进技术在农业领域的广泛应用。

May, 2024

通过自我监督学习从原始农业图像数据中学习有意义的特征表示，我们提出了一种利用 SimCLR 对大规模未注释数据集上进行预训练的轻量级框架，该框架具有较强的适用性，可以解决各种农业视觉任务，并降低对注释数据的依赖，从而提高成本效益和可用性，推动农业中计算机视觉技术的广泛应用。

Mar, 2024