Mehmet Ozgur Turkoglu
PulseAugur coverage of Mehmet Ozgur Turkoglu — every cluster mentioning Mehmet Ozgur Turkoglu across labs, papers, and developer communities, ranked by signal.
-
$T^3S$ 方法利用 thermal time 提高了作物绘图的泛化能力
研究人员开发了一种名为 Thermal Time-based Temporal Sampling ($T^3S$) 的新方法，以提高卫星图像时间序列作物绘图的泛化能力。这种模型无关的方法使用累积生长积温而不是日历时间来重新索引卫星观测，从而使不同年份的物候学上等效的生长阶段对齐。$T^3S$ 在跨年和跨区域作物分类方面表现出持续的改进，增强了不确定性校准，并在标签稀疏的情况下，即使在早期季节预测中也表现出更好的性能。
-
新研究通过高效集成和比较研究解决基础模型不确定性问题
两篇新研究论文探讨了改进基础模型不确定性量化方法。第一篇论文介绍了奇异值集成（SVE），一种参数高效的技术，通过调制权重矩阵的奇异值来创建多样化的模型集成，显著降低计算成本，同时保持准确性并提高校准度。第二篇论文实证比较了表格基础模型（特别是TabPFN）与高斯过程的性能，结果表明，虽然TabPFN在复杂、数据丰富的场景中表现出色，但在数据稀疏的环境中，高斯过程提供了更优越的性能和不确定性量化，尤其是在其核函数与底层函数良好匹配时。
-
新研究探索使用 Vision Transformers 进行无人机图像中的鲁棒杂草检测
研究人员开发了一种使用无人机图像检测 Rumex obtusifolius（一种杂草）的新方法，解决了机器学习中的域适应性挑战。标准的卷积神经网络（CNN）难以从地面数据泛化到无人机捕获的图像，但矩匹配和最大分类器差异等技术提高了性能。通过自监督学习预训练的 Vision Transformers (ViTs) 在域偏移方面表现出卓越的鲁棒性，F1 分数达到 0.8。该团队还发布了一个新的数据集 AGSMultiRumex，以促进该领…