Une équipe de chercheurs dirigée par le professeur Xie Chengjun et le professeur associé Zhang Jie des Instituts des sciences physiques de Hefei de l’Académie chinoise des sciences, a développé un cadre innovant d’apprentissage des caractéristiques découplées (DFL) inspiré de l’inférence causale pour relever le défi du biais de distribution dans la reconnaissance des ravageurs des cultures.
Les résultats de la recherche ont été publié dans Science de la lutte antiparasitaire.
La reconnaissance précise des ravageurs est essentielle pour une agriculture intelligente, car elle garantit la santé, le rendement et la qualité des cultures tout en préservant l’équilibre écologique. Malgré les progrès réalisés dans le domaine de l’apprentissage profond pour la reconnaissance des ravageurs, les techniques existantes sont confrontées à un biais de distribution dans les ensembles de données de formation, ce qui conduit souvent à une dépendance excessive aux caractéristiques de base plutôt qu’aux caractéristiques clés des ravageurs.
Pour relever ce défi, l’équipe a proposé un cadre innovant appelé Decoupled Feature Learning (DFL). DFL a appliqué des techniques d’inférence causale pour atténuer le biais des données de formation en construisant divers domaines de formation et a utilisé la perte de triplet central pour améliorer la capacité du modèle à capturer les principales caractéristiques des parasites dans différents domaines.
Les chercheurs ont testé la nouvelle méthode, DFL, sur trois ensembles de données différents : l’ensemble de données Li, l’ensemble de données Dong’s Few-Shot Pest Dataset (DFSPD) et l’ensemble de données IP102 à grande échelle.
Ces ensembles de données étaient des collections d’images utilisées pour former et évaluer la précision des modèles de reconnaissance des nuisibles. Les résultats ont montré que le DFL a considérablement amélioré les performances, atteignant des précisions de reconnaissance élevées de 95,33 %, 92,59 % et 74,86 % sur ces ensembles de données, respectivement.
Les visualisations des résultats ont confirmé que le DFL a aidé les modèles à se concentrer sur les caractéristiques clés des parasites, leur permettant de maintenir une grande précision même lorsque la distribution des données de test changeait.
« Cette recherche représente une avancée significative dans la lutte contre les biais de distribution des données et dans l’amélioration de la fiabilité de l’apprentissage profond dans les applications agricoles », a déclaré le professeur Xie Chengjun.
Plus d’information:
Tao Hu et al., Reconnaissance des ravageurs des cultures inspirée de la causalité basée sur l’apprentissage des caractéristiques découplées, Science de la lutte antiparasitaire (2024). DOI: 10.1002/ps.8314