EUVIMEDEUVIMED entdecken
Crossref

Многозадачное регрессионное обучение для цифрового фенотипирования растений на основе байесовского взвешивания неопределённостей и биологических априорных знаний

Valentin Brykin

Cifra LLC Journals · 18.05.2026

DOI: 10.60797/irj.2026.167.12 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Cifra LLC Journals, erschienen am 18.05.2026. Verfasst von Valentin Brykin.

AbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Работа посвящена решению задачи одновременного количественного анализа комплекса морфологических признаков сельскохозяйственных культур на основе изображений с использованием методов глубокого обучения. Основной проблемой многозадачного регрессионного обучения в биологических приложениях является гетероскедастичность данных и конфликт градиентов задач разной природы, что затрудняет ручную настройку весовых коэффициентов функции потерь.В статье исследуется применение и адаптация механизмов байесовской аппроксимации гомоскедастической неопределенности для автоматического взвешивания задач в рамках единой нейросетевой архитектуры. В качестве целевого функционала использована модифицированная функция отрицательного логарифма правдоподобия (Gaussian Negative Log-Likelihood), в которой параметры неопределённости σ (sigma) для каждой задачи являются обучаемыми. Экспериментальная проверка адаптируемого подхода проведена на выборке изображений растений риса (93 культивара, 9700 объектов) с использованием архитектуры EfficientNet-B0.Результаты численных экспериментов подтвердили эффективность реализованной архитектуры и её превосходство над моделью с фиксированными весовыми коэффициентами функции потерь. Полученные значения общего коэффициента детерминации (R2 > 0.65) подтверждают высокую обобщающую способность модели. Установлено, что динамическая адаптация параметров σ позволяет эффективно балансировать вклад задач с различным уровнем информационной неопределённости. Это особенно важно для таких параметров, как высота растения (CulmH) и количество зёрен (GN), где наблюдается высокая статистическая вариативность и возможны проекционные искажения при двумерной визуализации трёхмерных структур. Разработанная модель может быть интегрирована в автоматизированные системы цифрового мониторинга агроэкосистем.

Schlagwörter

multi-task regressionBayesian uncertainty quantificationheteroscedastic uncertaintyloss weightingrice varietiesEfficientNetB0crop image analysisprior biological knowledgeplant heightgrain number

Zitieren

APA

Brykin, V. (2026). Многозадачное регрессионное обучение для цифрового фенотипирования растений на основе байесовского взвешивания неопределённостей и биологических априорных знаний. Cifra LLC Journals. https://doi.org/10.60797/irj.2026.167.12

Vancouver

Brykin V. Многозадачное регрессионное обучение для цифрового фенотипирования растений на основе байесовского взвешивания неопределённостей и биологических априорных знаний. Cifra LLC Journals. 2026. doi:10.60797/irj.2026.167.12

BibTeX
@article{Brykin2026,
  author = {Brykin, Valentin},
  title = {Многозадачное регрессионное обучение для цифрового фенотипирования растений на основе байесовского взвешивания неопределённостей и биологических априорных знаний},
  journal = {Cifra LLC Journals},
  year = {2026},
  doi = {10.60797/irj.2026.167.12}
}
Kostenlos starten →