基于高斯过程的高通量表型分析主动学习
机器学习
2019-01-23 v1 人工智能
机器人学
机器学习
摘要
在机器人植物表型分析能力对作物改良计划产生重大影响之前，必须解决的一个迫在眉睫的问题是可扩展性。高通量表型分析（HTP）利用机器人技术分析作物，以确定具有优良性状的物种，然而当前的做法依赖于对育种实验中所监测的整个作物田进行穷尽式覆盖和数据收集。这在相对较小的农田中效果良好，但无法扩展到更大的农田，从而限制了遗传学研究的进展。在这项工作中，我们提出一种主动学习算法，使自主系统能够收集最具信息量的样本，从而借助高斯过程模型准确学习田间表型的分布。我们在高粱表型数据收集上展示了我们所提算法相对于当前做法的优越性能。
引用
@article{arxiv.1901.06803,
title = {Active Learning with Gaussian Processes for High Throughput Phenotyping},
author = {Sumit Kumar and Wenhao Luo and George Kantor and Katia Sycara},
journal= {arXiv preprint arXiv:1901.06803},
year = {2019}
}