Sep, 2023

土壤采样点最佳选择的深度学习框架

PDF
TL;DR通过利用深度学习在图像处理方面的最新进展，本研究提出了一种基于自注意力机制的编码 - 解码架构模型，用于自动选择土壤采样点，并在土壤采样数据集上实现了优于传统卷积神经网络方法的令人印象深刻的结果。
deep learningimage processingsoil samplingself-attention mechanismdata science
发现论文，激发创造
  • SoilNet: 一种基于注意力机制的时空深度学习框架，用于欧洲数字土壤制图中的土壤有机碳预测

    该研究通过数字土壤制图（DSM）方法的空间 - 时间深度学习技术，提出了一个新的模型架构，具有基于卷积神经网络（CNN）模型和空间注意力机制的空间信息，以及基于长短期记忆（LSTM）网络的气候时间信息，用于欧洲土壤有机碳的预测，结果表明该模型优于常用的 DSM 方法中的随机森林等传统机器学习方法，具有更低的均方根误差（RMSE），该模型是一个强大的工具，可用于预测土壤有机碳及其他土壤属性，从而推进 DSM 技术的发展，并为基于准确信息的土地管理和决策过程提供帮助。

    Aug, 2023

  • 基于 Mask R-CNN 的土壤图像分割

    通过深度学习方法，利用 Mask R-CNN 模型完成土壤图像的定位和分割，从而实现对不同环境下采集的土壤图像的准确分割结果，满足自然环境下田间土壤图像实时分割和检测的需求。

    Sep, 2023

  • 边缘深度学习：利用卷积神经网络从卫星图像中提取地块边界

    本文提出了一种利用卫星图像进行农田边界提取的深度学习方法，将该问题转化为多任务语义分割问题，综合考虑像素属于农田、是否是边界以及距离最近边界的距离等三个标签，从而实现准确、可扩展的农田边界提取，该方法在解决现实农业大规模数据采集问题中具有潜在的应用前景。

    Oct, 2019

  • 使用深度学习对遥感影像植被进行语义分割

    本文介绍了一种利用机器学习技术，结合公开遥感数据，使用卷积神经网络模型实现不同类植被的分离的方法，旨在解决处理遥感数据的效率问题。

    Sep, 2022

  • 自监督的多样农业视觉任务骨干框架

    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

  • 利用卫星影像和基于台站的土壤参数的深度学习方法预测草莓产量和价格

    本研究提出一种基于深度学习算法的集合模型来预测加利福尼亚州圣巴巴拉县草莓产量和价格，该模型基于两个集合模型并采用投票集合的方法结合预测结果，结果表明该模型的预测性能比文献中的深度学习集合模型更优秀。

    Feb, 2021

  • 预处理训练数据提高卷积神经网络基于景观语义分割的准确性和泛化能力

    本文利用不同的数据预处理方法，包括 CNN 培训、语义分割和数据增强等方法，对昆士兰州的湿热热带和阿瑟顿高原进行了土地利用覆盖特征的分类，并发现使用数据增强和缩放是创建可用于不同日期和传感器图像的通用模型的关键。

    Apr, 2023

  • 卫星多光谱图像时间序列农作物分类的深度学习模型的时空权衡

    本篇研究分析多光谱时间序列上几种结构化深度学习模型对农作物分类的影响，结果发现最佳表现的方式是大部分参数用于建模数据的时间结构。这些结果可以作为设计定制的深度学习模型进行农作物分类的指南。

    Jan, 2019

  • 植物幼苗分类的深度卷积神经网络

    本研究使用深度学习技术中的卷积神经网络与传统算法来进行植物幼苗分类，以达到增加农作物产量、提高生产效率与自动化种植的目的。

    Nov, 2018

  • 深度学习在叶片图像中植物识别和病害分类的应用：多预测方法

    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