【Plant Methods专刊征稿】少样本学习
The following article is from BMC科研永不止步 Author BMC中国
海归学者发起的公益学术平台
分享信息,整合资源
交流学术,偶尔风月
关于期刊
扫码了解期刊详情
Plant Methods
影响因子(2020):4.493
五年影响因子(2020):5.321
平均从投稿到首次给出意见时间:65 天
专刊征稿:少样本学习
加速基于图像的植物表型和模式识别:深度学习还是少样本学习?
近年来,深度学习方法在植物科学领域发挥了巨大的作用,在产量预测与估算、作物害虫识别、植物病害检测、生理性状指示、幼苗发育监测、植物灌溉策略、栽培品种识别、叶片计数等众多领域取得了一系列令人瞩目的成就。然而,基于典型深度学习的应用在很大程度上依赖于大尺度的数据集,需要对训练数据进行大量的人工标注,这是一个严重的缺陷。毕竟,现实世界的大规模农业数据集需要由专家为每一个潜在的应用进行收集和标注,既费时又费钱。为了缓解这个问题,少样本学习正在出现,也被称为从少量数据学习。少样本学习是深度学习的一个新分支,其目的是通过少量数据开发出具有良好概括性的智能模型,以实现机器智能与灵活性和可扩展性的结合。深度学习和少样本学习都是植物科学领域的技术探索,有可能大大加快其应用。因此,我们鼓励您分享您在该领域的研究和观点,并向本专刊提交您的论文。
为了促进科学社区发展和使用这些方法,我们非常鼓励将新的数据和图像集存放在可公开访问的存储库中,同时也鼓励重新使用这些可公开获得的数据。
该专刊的主题包括但不限于:
- 植物科学和农业中深度学习和少样本学习的调查
- 深度学习和少样本学习的高级技术和方法
- 复杂背景下的根部分区
- 智能农场的路径规划
- 植物病害识别
- 叶面积指数的估计
- 植物状态评估
- 植物害虫分类
- 植物产量预测
- 植物灌溉策略
- 特殊的硬件结构、软件包
稿件提交截止日期:2021年12月31日
特邀编辑:
李阳(Plant Methods副编辑,中国新疆石河子大学)
杨嘉琛(天津大学)
Francesco Marinello(帕多瓦大学,乔治亚大学)
扩展阅读
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方