本研究提出了两个新的时间序列外生回归算法 FreshPRINCE 和 DrCIF,以及展示了它们与 InceptionTime 一起显著优于其他已测试的 18 个回归算法,尤其是这两种方法是唯一显著优于标准旋转森林回归算法的方法。
May, 2023
提出了可编程特征工程的概念,为时间序列建模提供一种以自旋气体动力伊辛模型为基础的特征程序框架,从而实现大规模自动化特征工程。
Jun, 2023
利用基于近红外成像、计算机视觉和机器学习的自动系统,这篇论文提出了一种用于柑橘作物预测的非侵入性替代方案,该系统通过视频计数水果,并结合其他树木数据(如作物品种和树木大小)估计水果的总数。通过对视频中至少 30% 的水果进行准确检测、跟踪和计数,可以实现令人印象深刻的 0.85 的决定系数。该研究是少数几个以手动水果计数为评估参考点的柑橘估算方法尝试之一,并提供了用于图像水果计数的注释数据集以促进新方法的发展。
Dec, 2023
本文介绍了迭代文本摘要(ITS),一种基于迭代的模型,用于监督的提取式文本摘要。通过迭代模型多次读取文档来提高文档表示,同时提出了选择性阅读机制,用以更准确地确定每个句子被更新的程度,在 CNN / DailyMail 和 DUC2002 数据集上进行实验,并证明我们的模型在被机器和人类评估时都显著优于现有系统。
Sep, 2018
FIGS 算法提出了一种同时生长多棵树的机制,从而在保持控制树的大小和数量的前提下,实现了简洁的基于规则的模型的拟合。FIGS 算法通过分离加性组件来减少重复分裂所造成的冗余,提高了单棵树的预测性能。在多个真实世界的数据集上的实验结果表明,FIGS 算法在结合高预测性能的同时,能够避免重复分裂和提供比拟合决策树更简洁的决策规则。
Jan, 2022
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
通过利用 RGB 图像、LiDAR 和 IMU 数据的协同作用,本研究引入了一种创新的方法来实现复杂树木重建和水果的精确定位,该融合方法不仅能够提供水果分布的洞察,提高农业机器人和自动化系统的精度,而且为模拟不同树木结构的人工合成果实模式奠定了基础。实验证明了这种方法的鲁棒性和效力,凸显其作为未来农业机器人和精准农业的变革工具的潜力。
Oct, 2023
我们提出了一种为农田水果开发的少样本语义分割框架,采用迁移学习策略,在没有公开标记数据的情况下实现了水果在农田中的准确语义分割。
May, 2024
通过期望签名,基于高斯过程的数据增强,学习模型进行监督任务,建立了时间序列的特征提取模型。
本文提出一种时间序列分类的树集成方法 —— 时间序列森林 (TSF),采用 Entrance gain 准则计算熵增益和距离度量,同时提出了一种用于捕捉时间序列分类中重要时序特征的 “时间重要性曲线”,在简单特征下性能超过了一些竞争对手如动态时间扭曲进行最近邻分类器,并且具有线性计算复杂度和基于并行计算技术。
Feb, 2013