Embracing Limited and Imperfect Data: A Review on Plant Stress Recognition Using Deep Learning

要約

植物のストレス認識は、ディープラーニングの出現により近年大幅に改善されました。
適切なパフォーマンスを達成するには、大規模で注釈付きのトレーニング データセットが必要です。
ただし、それを収集するのは困難で費用がかかることがよくあります。
したがって、現在の深層学習ベースの手法を現実世界のアプリケーションに導入すると、主に限られた不完全なデータに悩まされる可能性があります。
それらを受け入れることは有望な戦略ですが、十分な注目を集めていません。
この観点から、この研究では、深層学習を実装することで植物の成長を監視することを最終目標として、系統的な調査が実施されました。これにより、人間は解放され、植物のストレスから生じる損失を潜在的に削減できます。
私たちの論文は、この限られた不完全なデータを受け入れることの重要性を強調し、その関連する理解を深めたと信じています。

要約(オリジナル)

Plant stress recognition has witnessed significant improvements in recent years with the advent of deep learning. A large-scale and annotated training dataset is required to achieve decent performance; however, collecting it is frequently difficult and expensive. Therefore, deploying current deep learning-based methods in real-world applications may suffer primarily from limited and imperfect data. Embracing them is a promising strategy that has not received sufficient attention. From this perspective, a systematic survey was conducted in this study, with the ultimate objective of monitoring plant growth by implementing deep learning, which frees humans and potentially reduces the resultant losses from plant stress. We believe that our paper has highlighted the importance of embracing this limited and imperfect data and enhanced its relevant understanding.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google