論文の概要: Data-Centric Digital Agriculture: A Perspective

• arxiv url: http://arxiv.org/abs/2312.03437v1
• Date: Wed, 6 Dec 2023 11:38:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-07 15:09:25.695247
• Title: Data-Centric Digital Agriculture: A Perspective
• Title（参考訳）: データ中心型デジタル農業の展望
• Authors: Ribana Roscher, Lukas Roth, Cyrill Stachniss, Achim Walter
• Abstract要約: デジタル農業は、食料、食料、繊維、燃料の需要の増加に対応するために急速に発展している。 デジタル農業における機械学習の研究は、主にモデル中心のアプローチに焦点を当てている。 デジタル農業の可能性を完全に実現するためには、この分野におけるデータの役割を包括的に理解することが不可欠である。
• 参考スコア（独自算出の注目度）: 23.566985362242498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In response to the increasing global demand for food, feed, fiber, and fuel, digital agriculture is rapidly evolving to meet these demands while reducing environmental impact. This evolution involves incorporating data science, machine learning, sensor technologies, robotics, and new management strategies to establish a more sustainable agricultural framework. So far, machine learning research in digital agriculture has predominantly focused on model-centric approaches, focusing on model design and evaluation. These efforts aim to optimize model accuracy and efficiency, often treating data as a static benchmark. Despite the availability of agricultural data and methodological advancements, a saturation point has been reached, with many established machine learning methods achieving comparable levels of accuracy and facing similar limitations. To fully realize the potential of digital agriculture, it is crucial to have a comprehensive understanding of the role of data in the field and to adopt data-centric machine learning. This involves developing strategies to acquire and curate valuable data and implementing effective learning and evaluation strategies that utilize the intrinsic value of data. This approach has the potential to create accurate, generalizable, and adaptable machine learning methods that effectively and sustainably address agricultural tasks such as yield prediction, weed detection, and early disease identification
• Abstract（参考訳）: 食料、食料、繊維、燃料の世界的な需要の増加に対応して、デジタル農業はこれらの需要を満たすために急速に発展し、環境への影響を減らしている。 この進化には、データサイエンス、機械学習、センサー技術、ロボット工学、そしてより持続可能な農業枠組みを確立するための新しい管理戦略が含まれる。 これまでのところ、デジタル農業における機械学習の研究は主にモデル中心のアプローチに焦点が当てられ、モデルの設計と評価に焦点が当てられている。 これらの取り組みはモデルの精度と効率を最適化することを目的としており、しばしば静的ベンチマークとしてデータを扱う。 農業データと方法論の進歩にもかかわらず、飽和点に達し、多くの確立された機械学習手法が同等の精度を達成し、同様の制限に直面している。 デジタル農業の可能性を完全に実現するためには、この分野におけるデータの役割を包括的に理解し、データ中心の機械学習を採用することが不可欠である。 これには、価値あるデータを取得してキュレートする戦略を開発し、データ固有の価値を利用する効果的な学習と評価戦略を実装することが含まれる。 このアプローチは、収量予測、雑草検出、早期病原性同定などの農業タスクを効果的かつ持続的に解決する、正確で汎用的で適応可能な機械学習手法を作成することができる。

関連論文リスト

• Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
  このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。 我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
  論文  参考訳（メタデータ） (2024-03-27T08:42:47Z)
• Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
  本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。 我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
  論文  参考訳（メタデータ） (2024-03-27T05:10:38Z)
• Self-Supervised Backbone Framework for Diverse Agricultural Vision Tasks [0.3683202928838613]
  農業におけるコンピュータビジョンは、農業をデータ駆動で正確で持続可能な産業に変えるために、ゲームを変える。 ディープラーニングは農業のビジョンに力を与えて、膨大な複雑な視覚データを分析するが、大きな注釈付きデータセットの可用性に大きく依存している。 本研究では,ResNet-50のバックボーンを実世界の農地画像の大規模データセット上に事前学習するための,コントラスト学習手法であるSimCLRを用いた軽量フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-22T14:46:51Z)
• On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
  AI技術の信頼性に関する深刻な懸念があった。 機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。 本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T14:01:53Z)
• Recent applications of machine learning, remote sensing, and iot approaches in yield prediction: a critical review [0.0]
  農業におけるリモートセンシングと機械学習の統合は、業界を変えつつある。 本稿では、作物収量予測にRS、ML、クラウドコンピューティング、IoTを使用した関連記事についてレビューする。
  論文  参考訳（メタデータ） (2023-06-07T16:13:16Z)
• Big Earth Data and Machine Learning for Sustainable and Resilient Agriculture [0.0]
  この論文は、我々の時代の高品質でオープンな地球観測データによって提供される前例のない機会を認識している。 持続的で回復力のある農業のためのアプリケーションを開発するために、機械学習とビッグデータメソッドを導入している。
  論文  参考訳（メタデータ） (2022-11-22T20:58:54Z)
• Seeing biodiversity: perspectives in machine learning for wildlife conservation [49.15793025634011]
  機械学習は、野生生物種の理解、モニタリング能力、保存性を高めるために、この分析的な課題を満たすことができると我々は主張する。 本質的に、新しい機械学習アプローチとエコロジー分野の知識を組み合わせることで、動物生態学者は現代のセンサー技術が生み出すデータの豊富さを生かすことができる。
  論文  参考訳（メタデータ） (2021-10-25T13:40:36Z)
• Towards practical object detection for weed spraying in precision agriculture [2.6793098711987056]
  本稿では,実環境における精密雑草の展開に関連する諸側面を明らかにする3つの指標を紹介する。 この機能のキーとなるのは、高速で堅牢なマシンビジョンです。 重要な課題の1つは、MLベースの視覚研究の大部分が、オブジェクト検出の精度を評価する指標のみを考慮することである。
  論文  参考訳（メタデータ） (2021-09-22T21:32:39Z)
• Synthetic Data: Opening the data floodgates to enable faster, more directed development of machine learning methods [96.92041573661407]
  機械学習における画期的な進歩の多くは、大量のリッチデータを利用できることに起因する。 多くの大規模データセットは、医療データなど高度に敏感であり、機械学習コミュニティでは広く利用できない。 プライバシー保証で合成データを生成することは、そのようなソリューションを提供します。
  論文  参考訳（メタデータ） (2020-12-08T17:26:10Z)
• Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
  特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。 衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
  論文  参考訳（メタデータ） (2020-07-07T12:44:17Z)
• Crop Knowledge Discovery Based on Agricultural Big Data Integration [2.597676155371155]
  農業データは、IoT(Internet of Thing)、センサー、衛星、気象観測所、ロボット、農業機器、農業実験所、農家、政府機関、農業機関など、さまざまなソースを通じて生成される。 本稿では,他のデータセットやビッグデータモデルを組み込むのに十分なフレキシブルなコンステレーションスキーマを用いた農業データ統合手法を提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:13:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。