Se você prefere baixar um arquivo único com todas as referências do LARCC, você pode encontrá-lo neste link. Você também pode acompanhar novas publicações via RSS.
Adicionalmente, você também pode encontrar as publicações no perfil do LARCC no Google Scholar .
2019 |
Junior, Claudio Roberto Scheer; Guder, Larissa Canepple; Griebler, Dalvan Uma Revisão Sistemática da Literatura sobre Deep Learning na Agricultura Proceedings Article Em: 21 Salão de Pesquisa Setrem (SAPS), pp. 5, Sociedade Educacional Três de Maio, Três de Maio, RS, Brazil, 2019. Resumo | Links | BibTeX | Tags: Agriculture, Deep learning, Literature review @inproceedings{larcc:DL_survey:SAPS:20,Com o crescimento do poder computacional, algoritmos de deep learning atingiram bons resultados em inúmeras áreas. Agricultura é uma das áreas que estão buscando aplicar esses algoritmos nos mais variados domínios. Sabendo disso, este trabalho apresenta uma revisão sistemática da literatura sobre o uso de deep learning na agricultura. Foram considerados artigos de janeiro de 2012 até abril de 2019. Dos 819 artigos encontrados, 230 foram incluídos na revisão. Neste trabalho foram avaliadas as técnicas de deep learning utilizadas, culturas abordadas, bases de dados utilizadas, desafios relacionados à agricultura e deep learning, e entre outros insights importantes. Os resultados apresentados mostraram que deep learning é aplicada com sucesso em diversas áreas da agricultura. Na pecuária, por exemplo, a maioria dos resultados atingiram 95% de acurácia. No total, 47.2% dos artigos atingiram acurácia maior que 95%. Isso mostra que ainda há muito trabalho a ser feito na área de deep learning na agricultura. Sendo assim, as análises apresentadas neste trabalho são de extrema importância para dar suporte a novas pesquisas com uso de deep learning na agricultura, e também para definir as possíveis lacunas a serem exploradas. |
Scheer, Claudio; Guder, Larissa Deep Learning in Agriculture: A Systematic Literature Review Undergraduate Thesis Forthcoming Undergraduate Thesis, Forthcoming. Resumo | BibTeX | Tags: Agriculture, Deep learning, Literature review @misc{larcc:claudio_larissa:TCC:19,With the growth of computational power, the deep learning algorithms have achieved remarkable results in several areas. Agriculture is one of the areas that are using these algorithms for the most varied domains. Therefore, this work presents a systematic literature review to consolidate the state-of-the-art about the use of deep learning applied to agricultural challenges. Papers published between January 2012 and April 2019 were considered. From the 819 papers found, 230 papers were classified. We evaluated the deep learning techniques used, crops covered, data sets used, deep learning and agriculture challenges, and among other important insights. The results have shown that deep learning is successfully used for several crops in agriculture. In the livestock branch, for example, most of the works achieved an accuracy above 95%. In total, 47.2% of the papers achieved an accuracy above 95%. Consequently, there is a lot of work to be done in the area of deep learning for agriculture. Our analysis are very important to support new research that seeks to apply deep learning in agriculture and highlight the research gaps. |