論文の概要: SSM-Net for Plants Disease Identification in Low Data Regime
- arxiv url: http://arxiv.org/abs/2005.13140v4
- Date: Mon, 7 Sep 2020 20:16:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 08:49:41.935683
- Title: SSM-Net for Plants Disease Identification in Low Data Regime
- Title(参考訳): 低データレジームにおける植物病同定のためのSSM-Net
- Authors: Shruti Jadon
- Abstract要約: 植物病の検出は農業生産の増加に欠かせない要素である。
特定の植物種にかかわる病気のあらゆる形態に関する大量のデータを集めることは、非常に不便である。
本稿では,低データ環境における疾患検出の課題に対処する,メトリクスベースの数ショット学習型SSMネットアーキテクチャを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Plant disease detection is an essential factor in increasing agricultural
production. Due to the difficulty of disease detection, farmers spray various
pesticides on their crops to protect them, causing great harm to crop growth
and food standards. Deep learning can offer critical aid in detecting such
diseases. However, it is highly inconvenient to collect a large volume of data
on all forms of the diseases afflicting a specific plant species. In this
paper, we propose a new metrics-based few-shot learning SSM net architecture,
which consists of stacked siamese and matching network components to address
the problem of disease detection in low data regimes. We demonstrated our
experiments on two datasets: mini-leaves diseases and sugarcane diseases
dataset. We have showcased that the SSM-Net approach can achieve better
decision boundaries with an accuracy of 92.7% on the mini-leaves dataset and
94.3% on the sugarcane dataset. The accuracy increased by ~10% and ~5%
respectively, compared to the widely used VGG16 transfer learning approach.
Furthermore, we attained F1 score of 0.90 using SSM Net on the sugarcane
dataset and 0.91 on the mini-leaves dataset. Our code implementation is
available on Github: https://github.com/shruti-jadon/PlantsDiseaseDetection.
- Abstract(参考訳): 植物病の検出は農業生産の増加に欠かせない要素である。
病気の検出が困難であったため、農夫は作物を保護するために様々な農薬を散布し、作物の成長と食糧基準に大きな害を与えた。
深層学習はそのような病気を検出するのに重要な助けとなる。
しかし、特定の植物種にかかわる病気のあらゆる形態に関する大量のデータを集めることは、非常に不便である。
本稿では,低データ構造における疾患検出問題に対処するため,重畳されたシアムと整合性ネットワークコンポーネントで構成される,メトリクスベースの複数ショット学習型SSMネットアーキテクチャを提案する。
ミニリーブ病とサトウキビ病の2つのデータセットについて実験を行った。
我々は、SSM-Netアプローチが、ミニリーブデータセットで92.7%、サトウキビデータセットで94.3%の精度で、より良い意思決定境界を達成できることを示した。
広く使用されているvgg16転送学習アプローチと比較して,精度は10%,5%向上した。
さらに,サトウキビデータセットのSSMNetとミニリーブデータセットの0.91を用いてF1スコアの0.90を得た。
私たちのコード実装はGithubで公開されています。
関連論文リスト
- HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using
Harvest Piles and Remote Sensing [50.4506590177605]
HarvestNetは、2020-2023年のエチオピアのティグレイとアムハラの農場の存在をマッピングするためのデータセットである。
本研究は,多くの小作システムの特徴ある収穫杭の検出に基づく新しい手法を提案する。
本研究は, 農作物のリモートセンシングが, 食品の安全地帯において, よりタイムリーかつ正確な農地評価に寄与することが示唆された。
論文 参考訳(メタデータ) (2023-08-23T11:03:28Z) - Agave crop segmentation and maturity classification with deep learning
data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。
実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。
結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
論文 参考訳(メタデータ) (2023-03-21T03:15:29Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-01-14T15:07:43Z) - Paddy Doctor: A Visual Image Dataset for Paddy Disease Classification [0.0]
パディドクター(Paddy Doctor)は、水田病を識別するための画像データセットである。
本データセットは10クラス(9つの疾患と正常な葉)に13,876点の注釈付き水田葉画像を含む。
我々は、畳み込みニューラルネットワーク(CNN)とVGG16とMobileNetの2つの移行学習アプローチを用いて、パディドクターをベンチマークした。
論文 参考訳(メタデータ) (2022-05-23T07:57:40Z) - An Effective Scheme for Maize Disease Recognition based on Deep Networks [0.0]
植物の病気は食品の安全性に影響を与え、農産物の品質と量を大幅に減少させる。
病気の正確かつタイムリーな診断には多くの課題がある。
本研究は、上記の課題を克服するために、ディープニューラルネットワークに基づく新しいスキームを提案する。
論文 参考訳(メタデータ) (2022-05-09T12:37:11Z) - Label-Assemble: Leveraging Multiple Datasets with Partial Labels [68.46767639240564]
Label-Assemble”は、公開データセットのアセンブリから部分的なラベルの可能性を最大限に活用することを目的としている。
陰例からの学習は,コンピュータ支援型疾患の診断と検出の双方を促進することが判明した。
論文 参考訳(メタデータ) (2021-09-25T02:48:17Z) - Deep neural networks approach to microbial colony detection -- a
comparative analysis [52.77024349608834]
本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。
得られた結果は将来の実験のベンチマークとして機能するかもしれない。
論文 参考訳(メタデータ) (2021-08-23T12:06:00Z) - An Efficient Insect Pest Classification Using Multiple Convolutional
Neural Network Based Models [0.3222802562733786]
昆虫の分類は、様々な種類、スケール、形状、フィールドの複雑な背景、昆虫種間の外観的類似性から難しい課題である。
本研究では、注目、特徴ピラミッド、きめ細かいモデルを含む、さまざまな畳み込みニューラルネットワークベースのモデルを提示する。
実験の結果、これらの畳み込みニューラルネットワークベースのモデルを組み合わせることで、これらの2つのデータセットの最先端の手法よりもパフォーマンスが向上することが示された。
論文 参考訳(メタデータ) (2021-07-26T12:53:28Z) - A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows
from UAV Imagery [56.10033255997329]
畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。
高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。
提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
論文 参考訳(メタデータ) (2020-12-31T18:51:17Z) - Real-time Plant Health Assessment Via Implementing Cloud-based Scalable
Transfer Learning On AWS DeepLens [0.8714677279673736]
植物葉病の検出・分類のための機械学習手法を提案する。
私たちは、AWS SageMaker上でスケーラブルな転送学習を使用して、リアルタイムの実用的なユーザビリティのために、AWS DeepLensにインポートしています。
果実や野菜の健康・不健康な葉の広範な画像データセットに関する実験では,植物葉病のリアルタイム診断で98.78%の精度を示した。
論文 参考訳(メタデータ) (2020-09-09T05:23:34Z) - The Plant Pathology 2020 challenge dataset to classify foliar disease of
apples [0.0]
米国のリンゴ果樹園は、多くの病原体や昆虫から常に脅威にさらされている。病気管理の適正かつタイムリーな展開は、早期の疾患検出に依存している。
我々は,複数のリンゴ葉病の高画質・実生症状画像3,651枚を手作業で取得した。
リンゴの皮、スギのリンゴのさび、健康な葉のパイロットデータセットを作成するために専門家が注釈を付けたサブセットが、Kaggleコミュニティの'Plant Pathology Challenge'で利用可能になった。
論文 参考訳(メタデータ) (2020-04-24T19:36:37Z)
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。