論文の概要: LeafGAN: An Effective Data Augmentation Method for Practical Plant Disease Diagnosis

• arxiv url: http://arxiv.org/abs/2002.10100v2
• Date: Fri, 27 Nov 2020 13:34:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 04:07:12.413337
• Title: LeafGAN: An Effective Data Augmentation Method for Practical Plant Disease Diagnosis
• Title（参考訳）: leafgan: 実用的植物病診断のためのデータ拡張法
• Authors: Quan Huu Cap, Hiroyuki Uga, Satoshi Kagiwada, and Hitoshi Iyatomi
• Abstract要約: LeafGANは、健康な画像からの変換によって、さまざまな病気の画像を生成する。 注意機構により、我々のモデルは様々な背景を持つ画像から関連領域のみを変換できる。
• 参考スコア（独自算出の注目度）: 2.449909275410288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many applications for the automated diagnosis of plant disease have been developed based on the success of deep learning techniques. However, these applications often suffer from overfitting, and the diagnostic performance is drastically decreased when used on test datasets from new environments. In this paper, we propose LeafGAN, a novel image-to-image translation system with own attention mechanism. LeafGAN generates a wide variety of diseased images via transformation from healthy images, as a data augmentation tool for improving the performance of plant disease diagnosis. Thanks to its own attention mechanism, our model can transform only relevant areas from images with a variety of backgrounds, thus enriching the versatility of the training images. Experiments with five-class cucumber disease classification show that data augmentation with vanilla CycleGAN cannot help to improve the generalization, i.e., disease diagnostic performance increased by only 0.7% from the baseline. In contrast, LeafGAN boosted the diagnostic performance by 7.4%. We also visually confirmed the generated images by our LeafGAN were much better quality and more convincing than those generated by vanilla CycleGAN. The code is available publicly at: https://github.com/IyatomiLab/LeafGAN.
• Abstract（参考訳）: 植物病の自動診断のための多くの応用が深層学習技術の成功に基づいて開発されている。 しかし、これらのアプリケーションはしばしば過剰フィッティングに苦しめられ、新しい環境からテストデータセットで使用すると診断性能が劇的に低下する。 本稿では,独自の注意機構を持つ新しい画像から画像への翻訳システムであるleafganを提案する。 leafganは、植物病診断の性能を向上させるためのデータ拡張ツールとして、健康な画像から変換することで、さまざまな疾患画像を生成する。 注意機構により,本モデルでは,様々な背景を持つ画像から関連領域のみを変換し,トレーニング画像の汎用性を高めることができる。 5級キュウリ病分類の実験では、バニラ型サイクロンによるデータ増強は、一般化の改善に役立てられず、つまり、疾患診断性能はベースラインからわずか0.7%向上した。 一方、LeafGANは診断性能を7.4%向上させた。 また、LeafGANが生成した画像は、Vanilla CycleGANが生成した画像よりも品質が高く、より説得力が高いことも確認した。 コードは、https://github.com/IyatomiLab/LeafGAN.comで公開されている。

関連論文リスト

• PotatoGANs: Utilizing Generative Adversarial Networks, Instance Segmentation, and Explainable AI for Enhanced Potato Disease Identification and Classification [0.0]
  我々の研究は、PotatoGANsと呼ばれる新しいアプローチを採用している。 2種類のGANを用いて合成ポテト病画像を生成する。 インセプションスコアを指標として,PotatoGANが生成した画像の品質と現実性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-05-12T17:00:52Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Evaluating Data Augmentation Techniques for Coffee Leaf Disease Classification [2.0892083471064407]
  本稿では,RoCoLeデータセットを用いて,深層学習による画像からのコーヒー葉病の分類を行う。 本研究は, トランスフォーマーモデル, オンライン強化, およびCycleGAN増強が葉病分類の改善に有効であることを示す。
  論文  参考訳（メタデータ） (2024-01-11T09:22:36Z)
• GAN-GA: A Generative Model based on Genetic Algorithm for Medical Image Generation [0.0]
  生成モデルは、医療画像不足問題に対処するための有望な解決策を提供する。 本稿では遺伝的アルゴリズムを組み込んだ生成モデルであるGAN-GAを提案する。 提案モデルは特徴を保ちながら画像の忠実度と多様性を向上させる。
  論文  参考訳（メタデータ） (2023-12-30T20:16:45Z)
• A Laplacian Pyramid Based Generative H&E Stain Augmentation Network [5.841841666625825]
  Generative Stain Augmentation Network (G-SAN)は、GANベースのフレームワークで、シミュレーションされた染色のバリエーションでセルイメージのコレクションを増強する。 G-SAN強化トレーニングデータを使用することで、平均15.7%のF1スコアの改善、7.3%の汎光学品質向上が達成される。
  論文  参考訳（メタデータ） (2023-05-23T17:43:18Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• LASSR: Effective Super-Resolution Method for Plant Disease Diagnosis [2.449909275410288]
  リーフアーティファクト・サプレッション・スーパーレゾリューション(LASSR)は、リーフ病の診断のために特別に設計された。 LASSRは、最先端のESRGANモデルと比較して、はるかに快適で高品質な画像を生成することができる。
  論文  参考訳（メタデータ） (2020-10-12T02:33:49Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。