自监督学习——减少精准农业时间与精力的途径？
机器学习
2022-04-06 v1
摘要
机器学习、卫星或本地传感器是实现农业可持续与节约资源优化的关键因素，并已在农地管理中证明其价值。迄今主要聚焦于扩充数据，并通过监督学习方法进行评估。然而，对标签的需求也是一项受限且耗时的因素，相反，持续的技术发展正提供日益增长的未标记数据。自监督学习（SSL）可克服此限制并整合现有未标记数据。因此，我们利用作物类型数据集开展 SSL 实验，并与监督方法比较。我们 2016 至 2018 年数据集的独特之处在于 2018 年气候异常导致减产并影响植物光谱指纹。我们的实验聚焦于使用 SSL（无标签或少量标签）预测 2018 年，以厘清是否应为未知年份采集新标签。尽管条件严峻，结果显示 SSL 有助于更高准确率。我们相信该结果将促进精准农业领域的进一步改进，故将发布 SSL 框架与数据（Marszalek, 2021）。
引用
@article{arxiv.2204.02100,
title = {Self-supervised learning -- A way to minimize time and effort for precision agriculture?},
author = {Michael L. Marszalek and Bertrand Le Saux and Pierre-Philippe Mathieu and Artur Nowakowski and Daniel Springer},
journal= {arXiv preprint arXiv:2204.02100},
year = {2022}
}
备注
Accepted for ISPRS Archives 2022