用于作物生长预测的时序卷积域适应学习
机器学习
2022-02-25 v1
摘要
现有关于作物生长预测的深层神经网络大多依赖大量数据的可用性。在实践中，难以收集足够的高质量数据以发挥这些深度学习模型的全部潜力。本文中，我们构建了一种基于域适应学习的创新网络架构，以在可用作物数据有限的情况下预测作物生长曲线。该网络架构通过引入所开发的作物模拟模型生成的合成数据，克服了数据可用性的挑战。我们首次使用时序卷积滤波器作为骨干来构建域适应网络架构，其适用于目标域训练数据极为有限的深度学习回归模型。我们开展实验以测试该网络性能，并将所提架构与其他最先进方法（包括近期基于 LSTM 的域适应网络架构）进行比较。结果表明，所提出的基于时序卷积的网络架构在准确率以及模型规模与收敛速度上均优于所有基准方法。
引用
@article{arxiv.2202.12120,
title = {Temporal Convolution Domain Adaptation Learning for Crops Growth Prediction},
author = {Shengzhe Wang and Ling Wang and Zhihao Lin and Xi Zheng},
journal= {arXiv preprint arXiv:2202.12120},
year = {2022}
}