标题：
Label-efficient learning in agriculture: A comprehensive review
第一作者 ：Jiajia Li
美国密歇根州立大学
第二作者 ：Dong Chen
美国密歇根州立大学
通讯作者：Zhaojian Li
美国密歇根州立大学
🛰️🛩️🌱🌱🌱🌱🌱🌱🌱🌱🌱🧠💻
研究方法：
文献综述方法： 采用PRISMA方法系统收集文献，并根据监督的程度对方法进行分类，重点涵盖了自监督、半监督和弱监督等学习方法。
分类体系： 根据监督程度，该分类系统主要分为弱监督学习和无监督学习，分别介绍了多种子领域的具体算法和应用案例。
农业应用回顾： 对标签高效学习在精准农业、植物表型分析、和农产品后处理质量评估等方面的应用进行了详细讨论。
弱监督学习：
主动学习： 通过选择最有信息量的样本进行标注，减少标注成本。例如，应用在桉树病害识别中，通过熵和密度选择算法，大幅降低了标注成本。
半监督学习： 利用大量未标注数据进行训练，如大豆病害识别中，伪标签方法与卷积神经网络结合，大幅提升了模型性能。
弱监督学习： 使用粗略标签，如图像级别标签，通过多实例学习（MIL）和类激活映射（CAM）等方法进行植物病害的自动化识别。
无监督学习：
自监督学习： 通过对未标注数据生成伪标签进行特征学习，特别是在植物病害检测中，自监督对比学习（如Siamese网络）取得了显著的精度提升。
应用领域： 标签高效学习在农业中应用广泛，包括精准农业中的植物病害监测、杂草管理、果实检测以及水产养殖中的鱼类喂养状态识别等。
代表性标签高效学习技术的综合分类法。我们的分类法包括两个主要类别（以蓝色框显示），每个类别由多个子区域（以绿色框显示）组成。
不同注释类型的标签成本示例
自我监督学习的管道。
SimCLR 框架算法。两个相关视图 （𝑣和𝑣’）
BYOL 算法框架.BYOL 最大限度地减少了𝑞
SwAV 算法框架.代码𝑄
JULE 算法框架. 一个简单但有效的端到端学习框架，用于从未标记的图像集中共同学习深度表示和图像集群。
用于柑橘螨虫和害虫分类的基于注意力的多实例学习引导式方法
用于估计苹果数量以进行产量估计的半监督/无监督学习算法的管道 .（a） 输入图像。（b） 超像素分割。（c） 苹果分割。（d） 检测。
用于检测、分割和跟踪葡萄的弱监督学习算法框架
域适应算法
用于检测和分割马铃薯缺陷的弱监督方法的中间结果示例
提出的草莓异常检测自监督方法的架构
总结：
论文在主动学习、半监督学习及自监督学习方面展示了新颖的技术细节，特别是在植物病虫害监测和产量预测中展现出很好的应用前景。尽管方法多样且具创新性，但研究也指出了在处理多样化农业场景和复杂环境数据时面临的挑战。未来的工作可以进一步优化这些方法在不同农业场景中的泛化能力和效率。
新颖技术细节：
使用自监督学习进行无标签数据的植物健康监测。
结合深度卷积神经网络和弱监督学习提升分类精度。
主动学习减少了农作物病虫害检测中的标注成本。
推荐指数：⭐⭐⭐⭐⭐
链接
—
https://doi.org/10.1016/j.compag.2023.108412【权责声明】
