全球一百多个国家的主食是大米（Oryza sativa）。大米的种植对于全球经济增长至关重要。但是，农业产业面临的主要问题是水稻疾病。农作物的质量和数量下降了，这是主要原因。由于任何国家的农民对水稻疾病都没有太多了解，因此他们无法正确诊断稻叶疾病。这就是为什么他们不能适当照顾米叶的原因。结果，生产正在减少。从文献调查中，Yolov5表现出更好的结果与其他深度学习方法相比。由于对象检测技术的不断发展，Yolo家族算法具有非常高的精度和更好的速度，已在各种场景识别任务中使用，以构建稻叶疾病监测系统。我们已经注释了1500个收集的数据集，并提出了基于Yolov5深学习的水稻疾病分类和检测方法。然后，我们训练并评估了Yolov5模型。模拟结果显示了本文提出的增强Yolov5网络的对象检测结果的改进。所需的识别精度，召回，MAP值和F1得分的水平分别为90 \％，67 \％，76 \％和81 \％\％被视为性能指标。

Text-to-text generation models have increasingly become the go-to solution for a wide variety of sequence labeling tasks (e.g., entity extraction and dialog slot filling). While most research has focused on the labeling accuracy, a key aspect -- of vital practical importance -- has slipped through the cracks: understanding model confidence. More specifically, we lack a principled understanding of how to reliably gauge the confidence of a model in its predictions for each labeled span. This paper aims to provide some empirical insights on estimating model confidence for generative sequence labeling. Most notably, we find that simply using the decoder's output probabilities is not the best in realizing well-calibrated confidence estimates. As verified over six public datasets of different tasks, we show that our proposed approach -- which leverages statistics from top-$k$ predictions by a beam search -- significantly reduces calibration errors of the predictions of a generative sequence labeling model.

播客本质上是对话性的，说话者的变化很频繁 - 需要说话者诊断以了解内容。我们在不依赖语言特定组件的情况下提出了一种无监督的技术诊断技术。该算法是重叠的，不需要有关说话者数量的信息。我们的方法显示，针对播客数据的Google Cloud Platform解决方案，纯度得分（F-评分为34％）的纯度得分提高了79％。

口头和非口头线索对伟大公开发言的作用是多十年来探索的主题。我们在渠道或通信方式中识别出现在现状理论的共性，“品种或异质性”（例如，借助故事，科学事实，情绪联系，面部表情等），这对于有效地传达信息至关重要。我们使用该观察来形式化新颖的异质性度量下摆下摆，这些度量下降，这量化了口头和非言语域（转录物和面部手势）的谈话的质量。我们使用TED会谈作为公开演讲的输入存储库，因为它包括除了广泛的外展之外的不同社区的发言者。我们表明，下摆之间存在有趣的关系，以及观众对发言人的TED谈判的评级。它强调，隐生和成功地代表了基于“品种或异质性”谈话的质量。此外，我们还发现HIM成功地捕获了与种族和性别的评级中的普遍存在偏见，我们呼叫敏感属性（因为基于这些可能导致不公平结果的预测）。我们将下降度量纳入神经网络的损失功能，以减少与种族和性别的评级预测的不公平。我们的研究结果表明，改进的损耗函数在不显着影响神经网络的预测准确性的情况下提高了预测的公平性。我们的工作在口头和非言语域中的公共演讲中的一个新的公共演讲与神经网络的计算能力设计为扬声器设计公平预测系统。