аспирант
Postgraduate
доктор физико-математических наук, профессор
Doctor of Sciences (Physics and Mathematics), Professor
аспирант
Postgraduate
В данной работе представлена комбинированная модель машинного обучения для предсказания признаков растений. Модель объединяет предобученную сверточную нейронную сеть (CNN) со вспомогательными переменными, представленными в виде табличных данных (CSV). Цель исследования – повысить точность предсказания признаков растений, используя как визуальную информацию, так и контекстные данные.
Модель обучалась на наборе данных, состоящем из 9147 изображений растений и соответствующих 167 вспомогательных переменных. Изображения были предобработаны с помощью трех предварительно обученных архитектур сверточных нейронных сетей (InceptionV3, ResNet, VGG19), а дополнительные данные были объединены с помощью слоя concatenate после выпрямления выходов вышеперечисленных CNN. Модель была оптимизирована с использованием алгоритма Adam и оценена соответствующими метриками.
Результаты показали превосходство совмещенной модели над базовой CNN в предсказании признаков растений, что подтверждает эффективность использования дополнительных данных для повышения качества работы. Исследование демонстрирует потенциал гибридных моделей машинного обучения для анализа данных о растениях, полученных от пользователей со всего мира.
The study presents a combined machine learning model for predicting plant traits. The model combines a pre-trained convolutional neural network (CNN) with auxiliary variables represented as comma- separated values (CSV). The aim of the study is to improve the accuracy of plant trait prediction using both visual information and contextual data.
The model is trained on a dataset consisting of 9,147 plant images and the corresponding 167 auxiliary variables. The images are preprocessed using three pre-trained convolutional neural network architectures (InceptionV3, ResNet, VGG19). The supplementary data are combined using a concatenate layer after directing the outputs of the above CNNs. The model is optimized using the Adam algorithm and evaluated with appropriate metrics.
The results show the superiority of the combined model over the baseline CNN in predicting plant traits, confirming the effectiveness of using supplementary data to improve performance. The study demonstrates the potential of hybrid machine learning models to analyze plant data from users around the world.
The authors declare that there are no conflicts of interest present.