面向农机轨迹行为模式识别的自监督学习图注意力网络(SSL-GAT)
提出SSL-GAT模型,用自监督学习和图注意力网络识别农机轨迹行为模式,提升准确率。
多维特征增强、双向特征融合、掩码注意力图注意力网络,水稻和小麦轨迹数据集。
SSL-GAT在水稻和小麦数据集上准确率分别达95.92%和93.92%,优于GAN-BiLSTM。
可探索模型在多种农机类型和复杂农田环境下的泛化性,或结合实时数据流进行在线行为识别。
提出SSL-GAT模型,在农机行为识别上取得显著精度提升,方法新颖且数据可靠,对智慧农业有实质推进。
中国农业大学信息与电气工程学院翟卫欣、吕泽坤、李智超、潘家文,联合潍柴雷沃智慧农业科技股份有限公司、福建农林大学、根特大学,提出基于自监督学习的图注意力网络(SSL-GAT)用于识别农机的行为模式。研究引入多维特征增强模块、增强轨迹特征表示;提出双向特征融合模块同时捕获轨迹点间及点内的依赖关系;引入融合掩码注意力机制的图注意力网络捕捉轨迹点重要性差异。在水稻数据集上,SSL-GAT 取得 95.92% 准确率和 92.42% F1 分数;在小麦数据集上实现 93.92% 准确率和 90.72% F1 分数,较 GAN-BiLSTM 均有显著提升。