За пределами видимого спектра: от обучения на RGB-изображениях к интеллектуальному анализу гиперспектральных данных для обнаружения болезней растений Болезни растений ежегодно становятся причиной значительных потерь урожая. Традиционные методы их распознавания, включая визуальный осмотр и классификацию RGB-изображений, часто обнаруживают изменения лишь после появления внешних симптомов. Гиперспектральная визуализация (HSI) позволяет регистрировать изменения отражательной способности, обусловленные нарушениями пигментного состава, водного режима и клеточной структуры, потенциально ещё до появления видимых признаков поражения. В обзоре сопоставлены традиционное машинное обучение, сверточные нейронные сети , гибридные спектрально-пространственные модели, механизмы внимания и трансформеры. Отдельное внимание уделено снижению качества моделей при переходе от лабораторных наборов к полевым условиям, отсутствию сопоставимых размеченных данных и перспективам мультимодального объединения сенсоров. Источник