Anglicky: Progress in applications of self-supervised learning to computer vision in agriculture: A systematic review
Zdroj: Carneiro, GA, Aubry, TJ, Cunha, A, Radeva, P, Sousa, JJ. 2025. Progress in applications of self-supervised learning to computer vision in agriculture: A systematic review, Computers and Electronics in Agriculture 239.
Klíčová slova: "hluboké učení; počítačové vidění; umělá inteligence; precizní zemědělství; zemědělství; samoučení"
Dostupný z: https://doi.org/10.1016/j.compag.2025.111134
Precizní zemědělství je přístupem k optimalizaci produkce a zahrnuje různé technologie a principy zaměřené k jejímu zlepšení. V současné době je jedním z hlavních základů precizního zemědělství využití umělé inteligence prostřednictvím algoritmů hlubokého učení. Zpracováním velkých objemů komplexních dat hluboké učení zlepšuje rozhodování a zvyšuje efektivitu zemědělství. Tyto metody však vyžadují anotovaná data, což je v kontrastu s jejich omezenou dostupností a náklady na anotaci. Samoučení se ukázalo jako cesta k řešení nedostatku anotovaných zemědělských dat. Tato studie představuje přehled aplikace metod samoučení na úlohy počítačového vidění v zemědělském kontextu. Cílem je vytvořit výchozí bod pro profesionály a vědce, kteří hodlají tyto metody aplikovat s využitím zemědělských dat. Výsledky vycházejí z 33 literárních studií, které zdůrazňují jejich výhody a nevýhody.
Použití samoučení ve většině případů zlepšilo výkon úloh počítačového vidění v zemědělství. Je pozoruhodné, že samoučení překonalo supervidované učení ve všech studiích, které používaly omezená anotovaná data, což potvrzuje jeho efektivitu.
Používání těchto metod je však stále v raných fázích. Většina studií se spoléhala na benchmarky místo velkých neoznačených datových sad a důležité aspekty, jako je rozšiřování dat, nerovnováha tříd a hyperparametrizace, byly zkoumány jen zřídka. Žádná ze studií netestovala různé rychlosti učení, parametry ztrát ani struktury projektorů. V důsledku toho neexistuje žádný zavedený recept na aplikaci samoučení v zemědělském kontextu. RGB snímky (viditelné spektrum) byly navíc nejvíce zkoumaným typem dat. Jen málo studií však aplikovalo samoučení i na multispektrální, hyperspektrální a multimodální data. Z 43 recenzovaných studií většina použila méně než 60 000 snímků a malé velikosti dávek, což naznačuje, že samoučení lze aplikovat s omezenými výpočetními zdroji. Přesto byl zřejmý nedostatek ladění hyperparametrů, protože většina studií se řídila původním nastavením samoučení bez ablace. To zdůrazňuje potřebu dalšího experimentování s cílem optimalizovat tyto metody pro zemědělství.
Důležité je, že některé nedávné práce začaly zkoumat modely zemědělských základních dat s cílem podpořit širší přenos mezi úkoly. Tento trend může vést k širšímu přijetí samoučení v precizním zemědělství. Stručně řečeno, samoučení nabízí slibnou cestu k efektivním a škálovatelným řešením pro zemědělské počítačové vidění. Pro plné využití jeho potenciálu je však zapotřebí systematičtějšího hodnocení a adaptace specifické pro danou oblast.
