Trópusi növényfelismerésben tesztelik a modelleket az AI2 új PLANTEUR-ben
A trópusi mezőgazdasági rendszerekben a modellek akár a pontosság felét is elveszítik, ha egy eddig nem látott szigeten tesztelik őket — mutatja az Allen Institute for AI (AI2) új kutatása.
Az Allen Institute for AI (AI2) bemutatja a PLANTEUR benchmarket, a PASTIS trópusi kiterjesztését hat Francia tengerentúli területre: Réunion, Guadeloupe, Martinique, Guyane, Mayotte és Saint-Martin — írja az AI2 Share. (Allen AI (AI2))
Az új adathalmaz 2 750 idősoros mintát tartalmaz a Sentinel-2, Sentinel-1 és Landsat-8 műholdakról, valamint 4 506 km² címkézett területet hét növényosztályra osztva: cukornád, banán, ananász és trópusi gumók (pl. manióka, jam, taro). A formátum megegyezik a PASTISével, így könnyen integrálható a meglévő kiértékelési folyamatokba.
Az AI2 baseline-mérései szerint minden kiértékelt módszer lényegesen gyengébben teljesít a PLANTEUR-ben, mint a PASTIS-ben. A modellek mintegy felét vesztik a pontosságuknak, ha egy eddig nem látott szigeten tesztelik őket — ez a kutatás szerint a trópusi, kisbirtokos mezőgazdasági rendszerek komplexitásának köszönhető.
Úgy tűnik, a PLANTEUR segít felmérni, hogyan teljesítenek a modellek a trópusi kontextusokban, ahol a növényfelismerés különösen értékes lehet. Az adathalmaz nyílt forráskódú, elérhető a Hugging Face-en és a GitHubon.