Bandeau Pl@ntAgroEco

Pl@ntAgroEco

Nouvelles perspectives sur la caractérisation des maladies des plantes et les associations de taxons basées sur l’apprentissage profond et les sciences participatives.

L’agroécologie passe nécessairement par la diversification des cultures, mais aussi par la détection précoce des maladies, des carences et des stress (hydriques, etc.) ainsi que par une meilleure gestion de la biodiversité. Le principal verrou est que ce changement de paradigme des pratiques agricoles nécessite des compétences expertes en botanique, phytopathologie et écologie que ne possèdent en général pas les acteurs de terrain tels que les agriculteurs ou les techniciens des entreprises de l’agro-alimentaire. Pour lever ce verrou de l’accès aux connaissances, les technologies du numérique et l’intelligence artificielle en particulier peuvent jouer un rôle crucial.

Le but du projet Pl@ntAgroEco sera de concevoir, expérimenter et développer de nouveaux services à fort impact en agroécologie au sein de la plateforme Pl@ntNet. Cela inclut :

  • recherche en IA et sciences du végétal ;
  • développement agile de nouveaux composants au sein de la plateforme ;
  • organisation de programmes de sciences participatives et d’animation de la communauté des utilisateurs Pl@ntNet.

Ce programme de travail a pour but de produire une amélioration de la détection et reconnaissance des maladies végétales, de l’identification des niveaux infraspécifiques. Il permettra le développement d’outils d’estimation de la sévérité des symptômes, carences, stades de déclin et stress hydrique ou de caractérisation des associations d’espèces à partir d’images multi-spécimens. Il améliorera la connaissance des espèces.

Le projet Pl@ntAgroEco rassemble des forces complémentaires en matière de recherche, de développement et d'animation. S’ajouteront à l'équipe pluridisciplinaire chargée de la plateforme Pl@ntNet de nouvelles forces de recherche ayant une expertise reconnue dans les sciences participatives. Le consortium rassemblera 10 partenaires incluant des organismes de recherche, des universités, des acteurs de la société civile et des partenaires internationaux.

 

PLANTAGROECO

 

PLANTAGROECO

Jules Vandeputte (Inria) : Identification des maladies des plantes basée sur l'apprentissage profond.

PUBLICATIONS

HAL : Dernières publications

  • [hal-04680061] Can we harmonize the monitoring of plants and pollinators?

    [...]

    ano.nymous@ccsd.cnrs.fr.invalid (Emmanuelle Porcher) 28 Aug 2024

    https://hal.science/hal-04680061v1
  • [hal-04202889] Peerannot: classification for crowdsourced image datasets with Python

    Crowdsourcing is a quick and easy way to collect labels for large datasets, involving many workers. However, workers often disagree with each other. Sources of error can arise from the workers’ skills, but also from the intrinsic difficulty of the task. We present peerannot: a Python library for managing and learning from crowdsourced labels for classification. Our library allows users to aggregate labels from common noise models or train a deep learning-based classifier directly from crowdsourced labels. In addition, we provide an identification module to easily explore the task difficulty of datasets and worker capabilities.

    ano.nymous@ccsd.cnrs.fr.invalid (Tanguy Lefort) 14 Sep 2023

    https://hal.science/hal-04202889v1
  • [hal-04204318] A two-head loss function for deep Average-K classification

    Average-K classification is an alternative to top-K classification in which the number of labels returned varies with the ambiguity of the input image but must average to K over all the samples. A simple method to solve this task is to threshold the softmax output of a model trained with the cross-entropy loss. This approach is theoretically proven to be asymptotically consistent, but it is not guaranteed to be optimal for a finite set of samples. In this paper, we propose a new loss function based on a multi-label classification head in addition to the classical softmax. This second head is trained using pseudo-labels generated by thresholding the softmax head while guaranteeing that K classes are returned on average. We show that this approach allows the model to better capture ambiguities between classes and, as a result, to return more consistent sets of possible classes. Experiments on two datasets from the literature demonstrate that our approach outperforms the softmax baseline, as well as several other loss functions more generally designed for weakly supervised multi-label classification. The gains are larger the higher the uncertainty, especially for classes with few samples.

    ano.nymous@ccsd.cnrs.fr.invalid (Camille Garcin) 17 Oct 2023

    https://inria.hal.science/hal-04204318v1

Documents à télécharger

Voir aussi

Date de modification : 18 septembre 2024 | Date de création : 06 septembre 2023 | Rédaction : AgroEcoNum