Fugu-MT 論文翻訳(概要): SSM-Net for Plants Disease Identification in Low Data Regime

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

SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文参考訳（メタデータ） (2024-11-14T17:06:00Z)
The PV-ALE Dataset: Enhancing Apple Leaf Disease Classification Through Transfer Learning with Convolutional Neural Networks [0.0]
我々は、リンゴ葉病のクラスを追加して、広く使われているPlantVillageデータセットを拡張した。テストF1のスコアは99.63%、97.87%であった。
論文参考訳（メタデータ） (2024-10-29T19:30:22Z)
PND-Net: Plant Nutrition Deficiency and Disease Classification using Graph Convolutional Network [18.778641229886393]
本稿では,グラフ畳み込みネットワーク(GNN)を用いた植物栄養障害と疾患分類の新しい深層学習法を提案する。 The proposed method, called Plant Nutrition Deficiency and Disease Network (PND-Net) was evaluate on two public datasets for nutrition deficiency, and two for disease classification using four CNNs。
論文参考訳（メタデータ） (2024-10-16T17:01:28Z)
Self-supervised transformer-based pre-training method with General Plant Infection dataset [3.969851116372513]
本研究では、コントラスト学習とマスクド画像モデリング(MIM)を組み合わせた高度なネットワークアーキテクチャを提案する。提案するネットワークアーキテクチャは,植物害虫や病原体認識タスクに対処し,優れた検出精度を実現する。私たちのコードとデータセットは、植物害虫の研究と病気の認識を促進するために公開されます。
論文参考訳（メタデータ） (2024-07-20T15:48:35Z)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
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)
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)
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)
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)
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。