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.
Günde et al. (Sat,) studied this question.