Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu bulgular, veri kısıtlı tarımsal uygulamalarda, MAML++ gibi meta-öğrenme yaklaşımlarının hafif modellerle birleştirilmesinin hem verimli hem de yüksek performanslı bir çözüm sunduğunu ortaya koymaktadır.
📌 3 Maddede Bu Makale
Özet
Bitki hastalıklarının tespiti, küresel gıda güvenliği için kritik öneme sahipken, bu alandaki derin öğrenme modelleri genellikle büyük etiketli veri kümelerine ihtiyaç duyar. Tarımsal uygulamalarda bu tür verilerin toplanmasındaki zorluklar, veri kısıtlı senaryolarda çalışabilen etkin yöntemlere olan ihtiyacı artırmaktadır. Bu çalışma, az sayıda örnekle öğrenme problemine çözüm olarak MAML++ meta-öğrenme algoritmasını ResNet-18, ResNet-34 ve ResNet-50 gibi farklı derinlikteki mimarilerle entegre etmektedir. PlantVillage veri kümesinin elma hastalıkları alt kümesinde yapılan deneylerde, model performansları 2-way/4-way görevler ve 1/3/5-shot konfigürasyonları altında değerlendirilmiştir. Sonuçlar, destek örneği (shot) sayısının artmasının doğruluğu artırdığını, ancak daha derin ağların her zaman daha iyi sonuç vermediğini göstermiştir. Özellikle daha hafif bir mimari olan ResNet-18, 2-way 5-shot senaryosunda %92,53 doğruluk oranıyla en yüksek performansı sergilemiş; daha derin olan ResNet-50 modeline yakın bir başarıyı daha düşük kayıp değeriyle elde etmiştir. Bu bulgular, veri kısıtlı tarımsal uygulamalarda, MAML++ gibi meta-öğrenme yaklaşımlarının hafif modellerle birleştirilmesinin hem verimli hem de yüksek performanslı bir çözüm sunduğunu ortaya koymaktadır.
Abstract
ABSTRACT: Plant disease detection is critical for global food security, yet deep learning models often depend on large annotated datasets that are scarce in agriculture. This scarcity necessitates efficient methods that can perform well under data-limited conditions. This study addresses the few-shot learning challenge by integrating the MAML++ meta-learning algorithm with ResNet backbones of varying depths: ResNet-18, ResNet-34, and ResNet-50. Using the apple disease subset of the PlantVillage dataset, we evaluated model performance across 2-way/4-way tasks and 1/3/5-shot configurations. Our findings reveal that while more support samples (shots) improved accuracy, network depth did not linearly correlate with better performance. Notably, the lightweight ResNet-18 architecture achieved the highest accuracy of 92.53% in the 2-way 5-shot scenario, matching the performance of the deeper ResNet-50 but with a lower loss value. These results demonstrate that combining meta-learning approaches like MAML++ with lighter architectures offers an efficient and high-performing solution for data-constrained agricultural applications.