Tim istraživača predvođen profesorom Ksie Chengjunom i vanrednim profesorom Zhang Jieom sa Instituta za fizičku nauku Hefei Kineske akademije nauka, razvio je inovativni okvir učenja odvojenih karakteristika (DFL) inspirisan uzročno-posledičnom zaključivanjem kako bi se suočio sa izazovom pristrasnosti distribucije. u prepoznavanju štetočina useva.
Rezultati istraživanja objavljeni su u časopisu Nauka o upravljanju štetočinama.
Tačno prepoznavanje štetočina je ključno za pametnu poljoprivredu, jer obezbeđuje zdravlje useva, prinos i kvalitet uz održavanje ekološke ravnoteže. Uprkos napretku u dubokom učenju za prepoznavanje štetočina, postojeće tehnike se bore sa pristrasnošću distribucije u skupovima podataka za obuku, što često dovodi do preteranog oslanjanja na pozadinske karakteristike, a ne na ključne karakteristike štetočina.
Da bi se suočio sa ovim izazovom, tim je predložio inovativni okvir pod nazivom Decoupled Feature Learning (DFL). DFL je primenio tehnike kauzalnog zaključivanja da bi ublažio pristrasnost podataka o obuci konstruisanjem različitih domena obuke i koristio Center Triplet Loss da poboljša sposobnost modela da uhvati osnovne karakteristike štetočina u različitim domenima.
Istraživači su testirali novu metodu, DFL, na tri različita skupa podataka: skup podataka Li, Dongov skup podataka o štetočinama (DFSPD) i skup podataka velikog obima IP102.
Ovi skupovi podataka bili su kolekcije slika koje su korišćene za obuku i procenu tačnosti modela za prepoznavanje štetočina. Rezultati su pokazali da je DFL značajno poboljšao performanse, postigavši visoku tačnost prepoznavanja od 95,33%, 92,59% i 74,86% na ovim skupovima podataka, respektivno.
Vizualizacija rezultata je potvrdila da je DFL pomogao modelima da se fokusiraju na ključne karakteristike štetočina, omogućavajući im da održe visoku tačnost čak i kada se distribucija testnih podataka promeni.
„Ovo istraživanje predstavlja značajan napredak u rešavanju pristrasnosti u distribuciji podataka i povećanju pouzdanosti dubokog učenja u poljoprivrednim aplikacijama“, rekao je prof. Ksie Chengjun.
