草地监测中的可解释人工智能：提升模型性能与领域适应性
机器学习
2023-12-15 v1 人工智能
计算机视觉与模式识别
摘要
草地以其高生物多样性和提供多种生态系统服务的能力而闻名。自动化识别指示植物的挑战是大规模草地监测的主要障碍。这些挑战源于大规模数据集的稀缺、通用数据集与草地特定数据集之间的分布偏移，以及深度学习模型固有的不透明性。本文深入探讨后两个挑战，特别关注迁移学习和可解释人工智能（XAI）方法在草地监测中的应用，并强调XAI在该领域的新颖性。我们分析了各种迁移学习方法，以弥合通用数据集与草地特定数据集之间的分布差距。此外，我们展示了可解释人工智能技术如何揭示模型的领域适应能力，采用定量评估来评价模型将相关输入特征准确集中于感兴趣对象周围的能力。这项研究为通过迁移学习提升模型性能以及利用可解释人工智能衡量领域适应性贡献了宝贵见解，显示出在农业领域更广泛应用的巨大潜力。
引用
@article{arxiv.2312.08408,
title = {Explainable AI in Grassland Monitoring: Enhancing Model Performance and Domain Adaptability},
author = {Shanghua Liu and Anna Hedström and Deepak Hanike Basavegowda and Cornelia Weltzien and Marina M. -C. Höhne},
journal= {arXiv preprint arXiv:2312.08408},
year = {2023}
}