May, 2023

基于显著性图聚类的可靠性分数，用于提高花椰菜基于图像的收获准备性预测

PDF
TL;DR使用可解释的机器学习方法分析捕捉关键特征方法的可靠性，以提高深度学习对于洋花菜收割期的准确判断，在 GrowliFlower 数据集上进行实验，最终将整体预测准确性提高了 15.72％，平均类精度提高了 15.44%。
发现论文，激发创造
  • GrowliFlower：一组用于菜花生长分析的图像时序数据集

    本文介绍了一个地理参考、基于图像的 UAV 时间序列数据集，该数据集包含两个不同尺寸的花椰菜田的 RGB 和多光谱正射图像，740 棵植物的表型特征，以及像素准确的叶片和植物实例分割，旨在促进农业自动化的发展和评估机器学习方法。

    Apr, 2022

  • 基于组合和显著性感知美学评分地图的图像裁剪

    该研究提出了一种可解释的图像裁剪模型，使用深度学习方法生成美学评分地图，在裁剪级别的美学评价中考虑图像的组合和显著性，从而实现高质量的美学图像裁剪。

    Nov, 2019

  • 使用显著性图预测自动驾驶系统中的模型故障

    该研究提出了一种利用显著性地图训练预测模型错误的学生模型来评估模型健壮性和估计机器学习系统故障概率的设计，并在自动驾驶车辆控制系统等安全关键应用中实现并审查了该故障预测模型的初步结果。

    May, 2019

  • 利用气候再分析数据对印度区级基于机器学习的水稻产量预测的可行性研究

    通过训练 19 个基于机器学习的模型，研究使用气候、卫星和稻谷产量数据预测印度 Kharif 季稻谷产量，结果表明可以以相当准确的水平进行预测，并通过分析推断出气候和遥感变量对稻谷产量的重要性和方向影响，最终开发出一个证明性仪表盘以便用户探索各个地区的产量变化。

    Mar, 2024

  • 评估显著性热点图在医学影像异常定位中的（不）可信性

    该研究评估了 8 种常用显著性图技术在医学图像中的实用性和健壮性，发现所有的技术都未能同时满足局部化实用性、模型权重随机化敏感性、重复性和可重复性这四个标准，并建议在高风险的医学图像中使用检测或分割模型来实现局部化。

    Aug, 2020

  • 深度神经网络预测作物产量

    利用深度神经网络预测作物产量，结果表明环境因素对作物产量的影响大于基因型而且该模型的精确度优于流行的其他预测方法。

    Feb, 2019

  • 深度学习用于芒果自动质量分级：方法与洞见

    使用卷积神经网络，特别是 Mask R-CNN、AlexNet、VGGs、ResNets 和 ConvAE-Clfs 等模型，并采用迁移学习技术，通过在芒果质量分级中应用预处理技术，训练细节和性能结果等方法提供可解释的洞见，即实 </em> 现对深度学习的深层次解释。

    Nov, 2020

  • 显著性指标的合理性检验

    本研究探索了现有的用于评估显著图质量（即 “保真度”）的指标，并发现当前文献中这些指标的计算方式缺乏一致性，且可重复性差，说明用这些指标生成的显著图质量排名可能不可信。

    Nov, 2019

  • 利用深度学习自动估算稻米抽穗日期

    本研究采用卷积神经网络对水稻花序区域进行图像分类，通过计算包含花序区域的数量来估计水稻的抽穗日期，相较于之前的工作，该方法在精度和通用性上均有所提高，其平均绝对误差不到 1 天。

    Jun, 2019

  • 深度学习分类器中的重要性估计器在计算机断层扫描中的评估

    本文研究了几种不同的特征重要性估计方法用于解释卷积深度神经网络对计算机断层扫描（Computed Tomography，CT）图像分类的性能，结论是不同的估计方法对不同准则的性能评估表现不同，同时，专家注释的分割图像与模型到达的预测结果之间存在差异，意识到了解释性差异可以帮助深度学习在医学领域的应用。

    Sep, 2022