KD-SSGD: detección de germinación semi-supervisada mejorada por destilación de conocimiento

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por Computadora
• Aprendizaje Automático

Sus antecedentes:

• La agricultura de precisión exige una detección precisa de la germinación de semillas para el monitoreo de cultivos y la selección de variedades.
• Los métodos totalmente supervisados requieren conjuntos de datos anotados extensos, que son costosos y requieren mucho tiempo en entornos agrícolas.

Objetivo del estudio:

• Desarrollar un marco eficiente de aprendizaje semi-supervisado para la detección de germinación de semillas que minimice la dependencia de datos etiquetados.
• Introducir un enfoque novedoso de destilación de conocimiento que permita el entrenamiento de extremo a extremo sin un modelo profesor preentrenado.

Principales métodos:

• Una arquitectura profesor-alumno que incorpora una rama de estudiante destilada y ligera.
• Los módulos clave incluyen la Fusión de Cajas Ponderadas (WBF) para la optimización de pseudo-etiquetas, la Pérdida de Destilación de Características (FDL) para la transferencia de conocimiento y la Ponderación Adaptativa de Ramas (BAW) para la estabilidad del entrenamiento.

Principales resultados:

• Logró un 47,0% de mAP en el conjunto de datos Maize-Germ utilizando solo el 1% de los datos etiquetados, superando a los métodos semi-supervisados existentes.
• Demostró un sólido rendimiento en el conjunto de datos Three Grain Crop, con un mAP que alcanzó hasta el 76,1% con el 10% de los datos etiquetados.
• Mostró sólidas capacidades de generalización entre cultivos y una transferencia de conocimiento efectiva bajo supervisión limitada.

Conclusiones:

• El marco KD-SSGD proporciona pseudo-etiquetas de alta calidad y una detección estable y de alta precisión con datos etiquetados mínimos.
• Este enfoque ofrece una solución eficiente y escalable para la percepción agrícola inteligente y el monitoreo automatizado de cultivos.
• El método reduce significativamente la carga de anotación, haciendo que las técnicas avanzadas de visión por computadora sean más accesibles para aplicaciones agrícolas.