論文の概要: Rice grain disease identification using dual phase convolutional neural
network based system aimed at small dataset
- arxiv url: http://arxiv.org/abs/2004.09870v2
- Date: Fri, 7 May 2021 18:42:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 07:04:22.886199
- Title: Rice grain disease identification using dual phase convolutional neural
network based system aimed at small dataset
- Title(参考訳): 小データセットを対象とした二相畳み込みニューラルネットワークを用いた稲粒病の同定
- Authors: Tashin Ahmed, Chowdhury Rafeed Rahman, Md. Faysal Mahmud Abid
- Abstract要約: CNNをベースとした二相法が提案されている。
この方法は、5倍のクロスバリデーション精度88.07%を提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although Convolutional neural networks (CNNs) are widely used for plant
disease detection, they require a large number of training samples when dealing
with wide variety of heterogeneous background. In this work, a CNN based dual
phase method has been proposed which can work effectively on small rice grain
disease dataset with heterogeneity. At the first phase, Faster RCNN method is
applied for cropping out the significant portion (rice grain) from the image.
This initial phase results in a secondary dataset of rice grains devoid of
heterogeneous background. Disease classification is performed on such derived
and simplified samples using CNN architecture. Comparison of the dual phase
approach with straight forward application of CNN on the small grain dataset
shows the effectiveness of the proposed method which provides a 5 fold cross
validation accuracy of 88.07%.
- Abstract(参考訳): 畳み込みニューラルネットワーク(CNN)は、植物病の検出に広く用いられているが、多種多様な異種背景を扱うには、多数のトレーニングサンプルが必要である。
本研究では,不均質な小米病データセットに対して効果的に機能するcnnベースの二重相法を提案する。
第1フェーズでは、画像からかなりの部分(米粒)を切り取るためにより高速なrcnn法が適用される。
この初期段階は、不均一な背景を持たない米粒の二次的なデータセットをもたらす。
CNNアーキテクチャを用いて,病原体の分類を行った。
小粒度データセットへのCNNの直接適用による二重位相アプローチの比較は, 88.07%の5倍のクロス検証精度を提供する提案手法の有効性を示した。
関連論文リスト
- Local Lesion Generation is Effective for Capsule Endoscopy Image Data Augmentation in a Limited Data Setting [0.0]
そこで我々は, 局所病変生成手法を2つ提案し, 小型医用画像データセットの増大に対処する。
最初のアプローチでは、古典的な画像処理技術であるPoisson Image Editingアルゴリズムを使用して、リアルな画像合成を生成する。
第2のアプローチでは、微調整されたイメージインペインティングGANを利用して、現実的な病変を合成する新しい生成手法を導入している。
論文 参考訳(メタデータ) (2024-11-05T13:44:25Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳(メタデータ) (2024-02-27T06:32:56Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2023-10-22T02:27:02Z) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳(メタデータ) (2023-08-28T12:55:13Z) - A Hybrid Convolutional Neural Network with Meta Feature Learning for
Abnormality Detection in Wireless Capsule Endoscopy Images [8.744537620217674]
無線カプセル内視鏡画像における異常検出のためのハイブリッド畳み込みニューラルネットワークを提案する。
3つの並列畳み込みニューラルネットワークで構成され、それぞれに特有の特徴学習能力がある。
ネットワークトリオは、クラス内の分散を効果的に処理し、胃腸の異常を効率的に検出する。
論文 参考訳(メタデータ) (2022-07-20T09:25:57Z) - Stain Normalized Breast Histopathology Image Recognition using
Convolutional Neural Networks for Cancer Detection [9.826027427965354]
近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。
乳腺病理像の2値分類のためのCNNモデルについて検討した。
我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
論文 参考訳(メタデータ) (2022-01-04T03:09:40Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳(メタデータ) (2021-10-27T18:54:25Z) - CarveMix: A Simple Data Augmentation Method for Brain Lesion
Segmentation [38.785081940984135]
我々はCNNに基づく脳病変分類のための単純なデータ拡張手法であるCarveMixを提案する。
本手法は,他の単純なデータ拡張手法と比較してセグメンテーション精度を向上する。
論文 参考訳(メタデータ) (2021-08-16T03:54:52Z) - 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) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - Two-Stage Resampling for Convolutional Neural Network Training in the
Imbalanced Colorectal Cancer Image Classification [1.8275108630751844]
データ不均衡は、現代の機械学習におけるオープンな課題の1つだ。
データ不均衡を扱う従来のデータレベルのアプローチは、画像データには適していない。
オーバーサンプリングとアンダーサンプリングに関わる問題を緩和する新しい2段階リサンプリング手法を提案する。
論文 参考訳(メタデータ) (2020-04-07T13:11:17Z)
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。