Байесовская агрегация для улучшения традиционных подходов к классификации урожая по одному изображению
Точная информация о росте сельскохозяйственных растений позволяет регулировать запасы агропродукции и вырабатывать стратегии работы с инструментами, производными от сельскохозяйственных товаров, на финансовых рынках. Методы машинного обучения широко применяются для распознавания и классификации таких культур на основе спутниковых изображений. Тем не менее, классификация полей осложняется классовым дисбалансом и агрегацией попиксельного прогнозирования в прогнозирование поля в целом. В данной работе мы предлагаем байесовскую методологию для агрегации результатов классификации. Также мы сообщаем о сравнении методов балансировки классов и о сравнении методов классического машинного обучения и сверточной нейронной сети U-Net для классификации культур с использованием одного спутникового снимка. Лучший результат для классификации урожая по одному снимку был достигнут с общей точностью 77,4% и макро-F1 показателем 0,66. Байесовская агрегация для классификации полей улучшила результат, полученный с использованием агрегации большинства голосов, на 1,5%. Здесь мы демонстрируем, что подход байесовской агрегации превосходит стратегию голосования большинства и усреднения в общей точности для задачи классификации по одному изображению.