குறியிடப்பட்டது
  • ஜெ கேட் திறக்கவும்
  • ஜெனமிக்ஸ் ஜர்னல்சீக்
  • கல்வி விசைகள்
  • ஆராய்ச்சி பைபிள்
  • காஸ்மோஸ் IF
  • விவசாயத்தில் உலகளாவிய ஆன்லைன் ஆராய்ச்சிக்கான அணுகல் (AGORA)
  • எலக்ட்ரானிக் ஜர்னல்ஸ் லைப்ரரி
  • RefSeek
  • டைரக்டரி ஆஃப் ரிசர்ச் ஜர்னல் இன்டெக்சிங் (DRJI)
  • ஹம்டார்ட் பல்கலைக்கழகம்
  • EBSCO AZ
  • OCLC- WorldCat
  • அறிஞர்
  • SWB ஆன்லைன் பட்டியல்
  • உயிரியல் மெய்நிகர் நூலகம் (vifabio)
  • பப்ளான்கள்
  • மருத்துவக் கல்வி மற்றும் ஆராய்ச்சிக்கான ஜெனீவா அறக்கட்டளை
  • யூரோ பப்
  • கூகுள் ஸ்காலர்
இந்தப் பக்கத்தைப் பகிரவும்
ஜர்னல் ஃப்ளையர்
Flyer image

சுருக்கம்

ஆளில்லா வான்வழி வாகனத்திலிருந்து மல்டிஸ்பெக்ட்ரல் படங்களைப் பயன்படுத்தி விளக்கக்கூடிய கன்வல்யூஷனல் நியூரல் நெட்வொர்க் அடிப்படையிலான மர இனங்களின் வகைப்பாடு

லிங்-வேய் சென், பின்-ஹுய் லீ, யூ-மின் ஹுவாங்*

தொழிலாளர் பற்றாக்குறையை நிவர்த்தி செய்ய முயல்கிறோம், குறிப்பாக, கிராமப்புறங்களில் வயதான தொழிலாளர்களை நிவர்த்தி செய்து விவசாய நிர்வாகத்தை எளிதாக்குகிறோம். தைவானில் பல வணிகப் பயிர்கள் மலைப்பகுதிகளில் பயிரிடப்படுவதால், தைவானில் விவசாய உபகரணங்களின் இயக்கம் மற்றும் இயக்கம் சிக்கலானது. இத்தகைய சாய்வான விவசாயப் பகுதிகளில் உள்ள கலப்புப் பயிர்களுக்கு, மர இனங்களை அடையாளம் காண்பது விவசாய மேலாண்மைக்கு உதவுகிறது மற்றும் விவசாய நடவடிக்கைகளுக்குத் தேவைப்படும் உழைப்பைக் குறைக்கிறது. காணக்கூடிய-ஒளி கேமராக்களால் சேகரிக்கப்பட்ட பொதுவான ஒளியியல் படங்கள் பதிவு செய்வதற்குப் போதுமானவை, ஆனால் மர இனங்களை அடையாளம் காண்பதில் துணை முடிவுகளை அளிக்கின்றன. மல்டிஸ்பெக்ட்ரல் கேமராவைப் பயன்படுத்துவது தாவரங்களை அவற்றின் நிறமாலை பதில்களின் அடிப்படையில் அடையாளம் காண உதவுகிறது. UAV புலப்படும் ஒளி மற்றும் மல்டிஸ்பெக்ட்ரல் இமேஜரியைப் பயன்படுத்தி மர இனங்களை வகைப்படுத்துவதற்கான ஒரு முறையை நாங்கள் முன்வைக்கிறோம். மர இனங்களுக்கிடையேயான நிறமாலை பிரதிபலிப்பு மதிப்புகளில் உள்ள வேறுபாடுகளை நாங்கள் பயன்படுத்துகிறோம் மற்றும் மாதிரியின் வகைப்பாடு செயல்திறனை மேம்படுத்த அகச்சிவப்பு இசைக்குழு படங்களை அருகில் பயன்படுத்துகிறோம். CNN அடிப்படையிலான ஆழமான நரம்பியல் மாதிரிகள் பரவலாகப் பயன்படுத்தப்படுகின்றன மற்றும் அதிக துல்லியத்தை அளிக்கின்றன, ஆனால் 100% சரியான முடிவுகளை அடைவது கடினம், மேலும் மாதிரி சிக்கலானது பொதுவாக செயல்திறனுடன் அதிகரிக்கிறது. இது அமைப்பின் இறுதி முடிவுகள் குறித்த நிச்சயமற்ற தன்மைக்கு வழிவகுக்கிறது. விளக்கமளிக்கக்கூடிய AI முக்கிய தகவலைப் பிரித்தெடுத்து, மாதிரியின் முடிவுகள் அல்லது செயல்களைப் பற்றிய சிறந்த புரிதலை அளிக்கும் வகையில் விளக்குகிறது. மாடலுக்குப் பிந்தைய காலத்தை விளக்குவதற்கு காட்சிப்படுத்தலைப் பயன்படுத்துகிறோம் (நான்கு பிக்சல் நிலை பண்புக்கூறு முறைகள் மற்றும் ஒரு பிராந்திய நிலை பண்புக்கூறு முறை). Pixel level attributionக்கான Fuzzy IG ஆனது டெக்ஸ்ச்சர் அம்சங்களை சிறப்பாகக் குறிக்கிறது, மேலும் பிராந்திய நிலை பண்புக்கூறு பிக்சல் நிலை பண்புக்கூறை விட வாழ்க்கைப் பகுதிகளை மிகவும் திறம்பட பிரதிபலிக்கிறது, இது மனித புரிதலுக்கு உதவுகிறது.

மறுப்பு: இந்த சுருக்கமானது செயற்கை நுண்ணறிவு கருவ