Nedavni razvoj u poljoprivrednom kompjuterskom vidu uglavnom se oslanjao na modele dubokog učenja, koji često nisu fino podešeni za poljoprivredu, rezultirajući dužim vremenom obuke i nižim performansama. Istraživači su predstavili novi okvir za duboko učenje u poljoprivredi koji uključuje standardizaciju širokog spektra javnih podataka, konstrukciju merila i unapred obučenih modela.
Koristeći najčešće metode dubokog učenja, ali neistražene u poljoprivredi, istraživači su pokazali poboljšanje efikasnosti podataka i performansi modela. Istraživanje je otkrilo da poljoprivredni prethodno obučeni modeli nadmašuju standardne referentne vrednosti u detekciji objekata i semantičkoj segmentaciji, posebno za određene vrste voća.
Studija je naglasila da čak i suptilna prilagođavanja procesa obuke mogu značajno poboljšati zadatke dubokog učenja u poljoprivredi. Takođe, istraživači su istraživali efikasnost povećanja podataka, otkrivajući da prostorna povećanja nadmašuju vizuelna, sugerišući potencijal za poboljšanu generalizaciju modela. Modeli su pokazali dobre performanse čak i sa nižekvalitetnim napomenama, ukazujući na mogućnost šire upotrebe podataka i strategija beleženja.
Ovaj rad ne samo da unapređuje polje dubokog učenja u poljoprivredi kroz standardizaciju podataka i modela, već pruža i praktičan vodič za buduća istraživanja. Ovi nalazi doprinose unapređenju poljoprivredne tehnologije i produktivnosti putem efikasnijeg dubokog učenja.
