Eles dizem que os cientistas criaram uma ferramenta de aprendizado de máquina que pode se ensinar com as diretrizes externas mínimas para distinguir entre flores e grama sem fluxo-um progresso que acelerará a pesquisa agrícola, dizem eles. O trabalho foi gerenciado usando milhares de variedades de imagens Miskanthas A grama, cada uma das quais tem suas próprias características e tempo da flor.
É uma ótima tarefa separar adequadamente as características da colheita em diferentes pontos do ciclo de crescimento, disse Champagne da Universidade de Illinois de Illinois Urbana, que liderou o novo trabalho com Sebastian Verala, cientista do centro de biografia e biologia avançada.
Lucky disse que o novo método deve se aplicar a inúmeras culturas e problemas de visão de computador.
Investigações na revista foram relatadas Fisiologia da planta.
“O tempo da floração é uma característica essencial que afeta a produtividade e a adaptação de muitas culturas com muitas culturas com adaptação de muitas culturas MiskanthasEm diferentes áreas de crescimento “, disse Lucky.” Esses dados consomem muito tempo. E os métodos de ensino mais profundo tendem a ser muito contestados “” “
Isso significa que quando o contexto varia – por exemplo, quando o modelo deve separar os recursos de diferentes locais ou a mesma colheita no ano – talvez precise ser reornada usando novos termos que refletem essas novas condições.
“Existem muitos exemplos em que as pessoas forneceram conceitos de prova para acelerar o uso de censores de tecnologia de censores para aplicações de satélite, solo e ciência das culturas, mas agora não é amplamente adotada”, é considerada uma causa enorme para sua expectativa, achamos que essa é uma causa enorme.
Para reduzir os requisitos das informações de treinamento humanos e não existentes, a Verlla se tornou uma maneira bem conhecida de solicitar dois modelos de IA como “rede adversal do gerador” ou GN. Uma aplicação geral de Gans é criar uma imagem falsa da cena desejada para um modelo e revisar as imagens para determinar as imagens para determinar qual é a falsa e qual é real. Com o tempo, os modelos se melhoram, disse Varela. O Modelo Um faz uma malha mais realista e o modelo é melhor para separar as imagens falsas das duas reais.
No processo, os modelos adquirem habilidades visuais em determinados assuntos, permitindo que eles passem melhor os detalhes da face a face de qualquer nova imagem. Verela assumiu que poderia trabalhar para reduzir o número de vacinas necessárias para treinar modelos para distinguir entre diferentes culturas. No processo, ele criou um “gerador de supervisão eficiente e rede hostil” ou Esgan.
Em vários experimentos, os pesquisadores testaram sua precisão em Esgan contra o protocolo de treinamento de IA existente. Eles descobriram que Esgon “” Tradicional, o procedimento de monitoramento totalmente da educação “reduz a necessidade de dados humanos e não existentes, ordenando um a dois”.
Novas investigações representam uma grande redução de modelos de aprendizado de máquina com formação sob medida para determinar o tempo da flor “outras posições, populações ou espécies reprodutivas”, relataram os pesquisadores. “E o procedimento traz uma maneira de superar desafios semelhantes na biologia e em outras áreas da agricultura digital”.
Continue trabalhando com Lucky e Verla Miskanthas Criador Eric Sacks para aplicar novos métodos a dados de um multistado Miskanthas Testes de criação. O objetivo do estudo é desenvolver linhas adaptadas regionalmente linhas Miskanthas Ele pode ser usado como matéria -prima para produzir biocombustíveis e biopducto de alta qualidade no solo, o que atualmente não é lucrativo para a fazenda.
“Esperamos que, como resultado de nossa nova abordagem, outras pessoas possam usar para simplificar o equipamento de IA para a melhoria de diferentes tipos de características e espécies associadas a espécies, ajudando assim a biografia da economia a melhorar os elaborados”, disse Leki.
Lickie Carl R. Wage Institute for Genomic Biology é professor do Instituto de Sustentável, Energia e Meio Ambiente e Centro de Agricultura Digital dos EUA nos EUA
Departamento de Energia dos EUA, Escritório de Ciência, Escritório de Pesquisa Biológica e Ambiental; Departamento de Iniciativas de Pesquisa Agrícola, Agrícola e Alimentar dos EUA; E a vodka feita à mão de Tito apoiou este estudo.
