Jadwal Sholat

Memuat jadwal sholat…

Editorial Pertanian & Lingkungan

Open AccessOA2022

Survei few-shot learning dalam pertanian cerdas: perkembangan, aplikasi, dan tantangan

Survei ini mengulas metode few-shot learning—augmentasi data, metric learning, memori eksternal, dan optimasi parameter—yang memungkinkan deep learning di bidang pertanian dengan data berlabel minimal, serta membahas dataset, aplikasi, dan tantangan ke depan.
Jiachen Yang; Xiaolan Guo; Yang Li; F. Marinello; S. Ercişli; Zhuo Zhang· Plant Methods· 2022· DOI 10.1186/s13007-022-00866-2

Masalah inti

Deep learning telah mencapai keberhasilan luar biasa di bidang pertanian dan ilmu tanaman, tetapi kinerjanya bergantung pada dataset berlabel yang masif. Dalam ilmu tanaman dan biologi, memperoleh data berlabel dalam jumlah besar sering kali tidak praktis karena biaya, waktu, dan keahlian yang dibutuhkan. Few-shot learning (FSL) mengatasi hal ini dengan meniru pembelajaran cepat manusia: FSL dapat mempelajari tugas baru hanya dari beberapa sampel berlabel, sehingga secara drastis mengurangi waktu dan sumber daya finansial. Tinjauan ini secara komprehensif mengkaji FSL dalam pertanian cerdas, mencakup definisinya, empat kategori metodologis utama, dataset yang tersedia untuk publik, berbagai aplikasi, dan tantangan di masa depan.

Inovasi

Survei ini mengategorikan metode few-shot learning lanjutan ke dalam empat pendekatan utama, yang masing-masing mengatasi masalah overfitting dari sudut pandang berbeda:

1. **Augmentasi data**: Menyintesis sampel pelatihan tambahan untuk memperbesar support set.
2. **Metric learning**: Mempelajari metrik jarak untuk membandingkan sampel query dengan beberapa contoh berlabel.
3. **Memori eksternal**: Melengkapi model dengan modul memori untuk menyimpan dan mengambil informasi dari data yang terbatas.
4. **Optimasi parameter**: Meta-learning strategi inisialisasi atau optimasi untuk adaptasi cepat.

Metode-metode ini dianalisis dalam konteks tugas pertanian, tempat kelangkaan data lazim terjadi.

Pendahuluan
Deep learning telah mencapai keberhasilan luar biasa di bidang pertanian dan ilmu tanaman, tetapi kinerjanya bergantung pada dataset berlabel yang masif. Dalam ilmu tanaman dan biologi, memperoleh data berlabel dalam jumlah besar sering kali tidak praktis karena biaya, waktu, dan keahlian yang dibutuhkan. Few-shot learning (FSL) mengatasi hal ini dengan meniru pembelajaran cepat manusia: FSL dapat mempelajari tugas baru hanya dari beberapa sampel berlabel, sehingga secara drastis mengurangi waktu dan sumber daya finansial. Tinjauan ini secara komprehensif mengkaji FSL dalam pertanian cerdas, mencakup definisinya, empat kategori metodologis utama, dataset yang tersedia untuk publik, berbagai aplikasi, dan tantangan di masa depan.

Mengapa penting

Survei ini membahas tantangan bagi pengembangan FSL di masa depan dalam pertanian cerdas. Tantangan tersebut mencakup kebutuhan akan benchmark yang terstandardisasi, adaptasi domain lintas tanaman dan lingkungan yang berbeda, integrasi dengan teknik AI lain, serta interpretabilitas model few-shot. Para penulis menekankan bahwa meskipun FSL mengurangi beban pelabelan, desain dan validasi yang cermat sangat penting untuk penerapan di dunia nyata. Tinjauan ini ditutup dengan menguraikan arah penelitian yang menjanjikan untuk mengatasi tantangan tersebut.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…