本研究评估了多种融合策略对农作物分类的影响，发现多视角融合方法优于单一视角。通过多视角学习和多视图门控融合模型，成功预测不同作物的产量，实验结果显示模型的R2值达到0.68。此外，提出了一种改进作物分类准确性的方法，并开发了适用于跨领域学习的新注释数据集。研究还分析了深度学习模型在农作物分类中的应用，并提供了定制模型设计的指南。

该文介绍了一种利用专家知识的农作物分类方法，将三级标签层次结构编码至卷积循环神经网络中，提高了细粒度分类的性能。实验表明，该模型在新的公共数据集上的分类性能至少提高了9.9个百分点。