Une récente étude intitulée « Un réseau multiscale supervisé par points pour le comptage des pompons de maïs dans la nature » a introduit une approche révolutionnaire d’apprentissage profond pour le comptage des pompons de maïs. Cette technique, connue sous le nom de Réseau d’Amélioration de l’Attention Multiscalaire Lite (MLAENet), utilise des annotations au niveau des points pour générer des cartes de densité à différentes échelles. Elle intègre des modules d’extraction de caractéristiques, de stratégie d’attention et une technique innovante de suréchantillonnage pour améliorer la qualité des cartes de densité.
MLAENet a été testé de manière approfondie sur deux ensembles de données publics et les résultats sont impressionnants. Il surpasse les méthodes existantes en termes de précision de comptage et de vitesse d’inférence, même en présence de défis tels que des tailles de pompons variables et des arrière-plans complexes. Cette nouvelle technique trouve le parfait équilibre entre vitesse et précision, ce qui la rend exceptionnellement adaptée aux applications en temps réel, ce qui est essentiel dans le paysage technologique agricole en constante évolution d’aujourd’hui.
L’équipe de recherche derrière MLAENet a utilisé une combinaison de PyTorch, CUDA et du matériel NVIDIA dans leur configuration expérimentale. Ils ont également utilisé des techniques telles que le filtrage gaussien et la détermination adaptative des paramètres pour améliorer les performances. La précision du modèle a été évaluée à l’aide de mesures telles que l’erreur absolue moyenne (MAE), l’erreur quadratique moyenne (RMSE), le coefficient de corrélation (R) et l’erreur absolue moyenne symétrique en pourcentage (SMAPE). De manière impressionnante, le modèle a fait preuve d’une grande précision et d’une grande robustesse, se comportant particulièrement bien dans des scénarios avec des échelles variables.
Cette étude révolutionnaire a été publiée dans le prestigieux journal Plant Phenomics en octobre 2023. Il s’agissait d’un effort de collaboration entre des chercheurs de l’Université forestière de Nanjing, de l’Université de Warwick et de l’Université agricole de Nanjing. Le professeur associé Xijian Fan de l’Université forestière de Nanjing, un expert respecté en traitement d’image, en vision par ordinateur et en reconnaissance de formes, a joué un rôle majeur dans la direction de cette recherche pionnière.
Le développement de MLAENet marque une percée significative dans la technologie de comptage des cultures. Avec ses capacités avancées et ses performances exceptionnelles, cette technique d’apprentissage profond est sur le point de révolutionner la manière dont les pompons de maïs sont comptés, ouvrant de nouvelles possibilités pour l’agriculture de précision et la gestion des cultures.
The source of the article is from the blog elektrischnederland.nl