Reconhecimento de padrões de produtividade de milho com a abordagem few-shot learning
Resumo
A estimativa de produtividade é importante para agricultura, sendo que técnicas de aprendizado de máquina (AM) têm contribuído para que a mesma possa ocorrer de uma forma mais rápida e eficiente. Considerando a dificuldade de aquisição de dados agrícolas em grande escala, métodos de few-shot learning (FSL) se mostram como alternativa. O objetivo foi avaliar o uso de diferentes métodos de composição de imagem obtidas por Aeronave Remotamente Pilotada, associados ou não à altura da planta, para a classificação de produtividade do milho, utilizando técnicas de AM tradicionais e baseadas em FSL. Os resultados com FSL mostraram que o modelo com rede siamesa pode ser viável sem usar a altura média da planta.
Referências
Chicco, D. (2021). Siamese neural networks: An overview. In Artificial Neural Networks, p. 73–94.
FPA. (2023) Brasil é destaque mundial na produção de milho. Disponível em: [link]. Acesso em: 25 abril 2023.
Prestes, C. D. P. (2020). Predição de produtividade de trigo por meio de dados espectrais e altura estimada da planta obtidos por meio de aeronave remotamente pilotada. Dissertação (Mestrado em Computação Aplicada) – Universidade Estadual de Ponta Grossa, Ponta Grossa.
Thornton, Chris et al. (2013). Auto-WEKA: Combined selection and hyperparameter optimization of classification algorithms, ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, p. 847–855.
Van Rossum, G; Drake Jr, F.L. (1995). Python reference manual, Centrum voor Wiskunde en Informatica, Amsterdam.
Wang, Y., Yao, Q., Kwok, J. T. e Ni, L. M. (2020). Generalizing from a few examples: A survey on few-shot learning. ACM computing surveys, ACM New York, USA, p. 1–34.
Frank, E., Hall, M. A. e Witten, I. H. (2016). The WEKA Workbench. Online Appendix for "Data Mining: Practical Machine Learning Tools and Techniques", Morgan Kaufmann, Fourth Edition, 2016.
FPA. (2023) Brasil é destaque mundial na produção de milho. Disponível em: [link]. Acesso em: 25 abril 2023.
Prestes, C. D. P. (2020). Predição de produtividade de trigo por meio de dados espectrais e altura estimada da planta obtidos por meio de aeronave remotamente pilotada. Dissertação (Mestrado em Computação Aplicada) – Universidade Estadual de Ponta Grossa, Ponta Grossa.
Thornton, Chris et al. (2013). Auto-WEKA: Combined selection and hyperparameter optimization of classification algorithms, ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, p. 847–855.
Van Rossum, G; Drake Jr, F.L. (1995). Python reference manual, Centrum voor Wiskunde en Informatica, Amsterdam.
Wang, Y., Yao, Q., Kwok, J. T. e Ni, L. M. (2020). Generalizing from a few examples: A survey on few-shot learning. ACM computing surveys, ACM New York, USA, p. 1–34.
Frank, E., Hall, M. A. e Witten, I. H. (2016). The WEKA Workbench. Online Appendix for "Data Mining: Practical Machine Learning Tools and Techniques", Morgan Kaufmann, Fourth Edition, 2016.
Publicado
08/11/2023
Como Citar
CIMATTI, Gabriel Tonon; GUIMARÃES, Alaine Margarete; CAIRES, Eduardo Fávero; JESUS, Gabriel Passos de.
Reconhecimento de padrões de produtividade de milho com a abordagem few-shot learning. In: CONGRESSO BRASILEIRO DE AGROINFORMÁTICA (SBIAGRO), 14. , 2023, Natal/RN.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2023
.
p. 432-437.
ISSN 2177-9724.
DOI: https://doi.org/10.5753/sbiagro.2023.26590.
