Multimedia Tools and Applications·9月7日 · 周一论文智慧农业 / 农业物联网阅读 1
Knowledge-guided machine learning in computer vision: A systematic survey and taxonomy (2014-2025)
Christine Dewi · Dhananjay Thiruvady · Nayyar Zaidi
论文解读
0未达精选线
速览
系统综述2014-2025年计算机视觉中知识引导机器学习，提出分类法并分析286篇研究。
方法
PRISMA流程筛选286篇论文，提出科学/非科学知识分类及三种知识集成策略。
发现
KGML提升泛化、可解释性和鲁棒性，但面临知识表示、融合复杂性和评估等挑战。
机会点
农业领域可探索将作物生长机理知识嵌入视觉模型，以提升小样本和复杂场景下的泛化能力。
影响力0
信息增量0
专业深度0
信源权威0
时效性0
该论文主题为计算机视觉中的知识引导机器学习，与三农、农业信息化等无关，不进入每日精选。
原文摘要
知识引导机器学习（KGML）已成为一种重要范式，通过将领域知识融入学习过程，弥补纯数据驱动模型的局限性。尽管已有综述对KGML进行了广泛讨论，但专门针对计算机视觉领域的全面综述仍付之阙如。为填补这一空白，本文基于PRISMA指南，对2014年至2025年间发表的相关研究进行系统梳理，呈现了计算机视觉中KGML的系统性综述。从初始检索的2，788篇文献中，筛选出286项高质量研究进行详细分析。基于此综述，我们提出了一种分类体系，将知识区分为科学知识与非科学知识，并进一步将知识融合策略划分为知识引导学习、知识引导架构和知识引导预训练三类。综述表明，KGML已广泛应用于计算机视觉的各类任务，包括分类、目标检测、分割及多模态理解，并在泛化性、可解释性和鲁棒性方面展现出显著优势。此外，我们识别了与知识表示、融合复杂性、评估及偏差相关的关键开放挑战，并展望了推动KGML在计算机视觉领域发展的未来研究方向。