.png){kind=icon}
返回
Rule-Based Multi-Task Deep Learning for Highly Efficient Rice Lodging Segmentation
.png){kind=icon}
OA
AI
DOI：10.3390/rs17091505.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出基于规则的的多任务深度学习，用于通过引入先验知识，利用无人机（UAV）图像高效识别水稻倒伏。多任务学习结合基于规则的损失函数，并学习最佳损失函数以训练符合先验知识的模型。基于规则的多任务学习优化了基于规则与深度学习网络的集成，并动态调整损失函数模型。最后，在边缘计算主机上部署边缘计算，以提高模型的即时推理效率。本研究推断并分析了2019年拍摄的51张4096×4096标记UAV图像，并计算了混淆矩阵和精度指标。修改后的模型在正常水稻类别中的召回率提高了13.7%。影响因素可能是由于空间分辨率的变化以及不同时期的谱值差异，可通过添加部分2019年图像迁移训练来调整学习特性。深度学习网络的先验知识可部署在边缘计算设备上，通过区域路线规划收集推论灾害受损农田的高分辨率图像，提供高检测精度的高效灾害调查工具。
Keyword:
deep learning
rice lodging
UAV
multi-task learning
rule-based learning
期刊
IF:
4.1
论文数:
7.4K
被引数:
15.1W
机构
暂无机构信息
引用论文
Ensemble of multi-task deep convolutional neural networks using transfer learning for fruit freshness classification基于迁移学习的多任务深度卷积神经网络集成水果新鲜度分类
PREAI
分享收藏Controlling the lodging risk of rice based on a plant height dynamic model基于株高动态模型的水稻倒伏风险控制.png)
BOTANICAL STUDIES
OAAI
BOTANICAL STUDIESIF3.1
OAAI分享收藏Enhancing grain moisture prediction in multiple crop seasons using domain adaptation AI利用领域自适应AI提升多作物季的谷物水分预测OAAI
OAAI分享收藏Recognition of rice leaf diseases and wheat leaf diseases based on multi-task deep transfer learning基于多任务深度迁移学习的水稻叶部病害和小麦叶部病害识别
PREAI
分享收藏
查看更多内容