論文の概要: LASSR: Effective Super-Resolution Method for Plant Disease Diagnosis

• arxiv url: http://arxiv.org/abs/2010.06499v1
• Date: Mon, 12 Oct 2020 02:33:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 07:52:54.305062
• Title: LASSR: Effective Super-Resolution Method for Plant Disease Diagnosis
• Title（参考訳）: LASSR:植物病診断に有効な超解像法
• Authors: Quan Huu Cap, Hiroki Tani, Hiroyuki Uga, Satoshi Kagiwada and Hitoshi Iyatomi
• Abstract要約: 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。
• 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: The collection of high-resolution training data is crucial in building robust plant disease diagnosis systems, since such data have a significant impact on diagnostic performance. However, they are very difficult to obtain and are not always available in practice. Deep learning-based techniques, and particularly generative adversarial networks (GANs), can be applied to generate high-quality super-resolution images, but these methods often produce unexpected artifacts that can lower the diagnostic performance. In this paper, we propose a novel artifact-suppression super-resolution method that is specifically designed for diagnosing leaf disease, called Leaf Artifact-Suppression Super Resolution (LASSR). Thanks to its own artifact removal module that detects and suppresses artifacts to a considerable extent, LASSR can generate much more pleasing, high-quality images compared to the state-of-the-art ESRGAN model. Experiments based on a five-class cucumber disease (including healthy) discrimination model show that training with data generated by LASSR significantly boosts the performance on an unseen test dataset by nearly 22% compared with the baseline, and that our approach is more than 2% better than a model trained with images generated by ESRGAN.
• Abstract（参考訳）: 高解像度のトレーニングデータの収集は、診断性能に大きな影響を及ぼすため、堅牢な植物病診断システムの構築に不可欠である。 しかし、入手は非常に困難であり、実際に利用できるとは限らない。 ディープラーニングに基づく技術、特にGAN(Generative Adversarial Network)は高品質な超高解像度画像を生成するために応用できるが、これらの手法は診断性能を低下させる予期せぬ成果物を生成することが多い。 本稿では,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)と呼ばれる葉疾患の診断に特化して設計された新しいアーティファクト・プレッション・スーパーレゾリューション法を提案する。 アーティファクトをかなり検出し、抑制する独自のアーティファクト除去モジュールのおかげで、LASSRは最先端のESRGANモデルと比較して、ずっと快適で高品質な画像を生成することができる。 5種類のキュウリ病(健康診断モデルを含む)に基づく実験では、RASRが生成したデータによるトレーニングは、ベースラインに比べて22%近く向上し、我々のアプローチはESRGANが生成した画像で訓練したモデルよりも2%以上優れていることが示された。

関連論文リスト

• Histo-Diffusion: A Diffusion Super-Resolution Method for Digital Pathology with Comprehensive Quality Assessment [6.350679043444348]
  ヒスト拡散(Histo-Diffusion)は、デジタル病理学における超解像の生成と評価のために特別に設計された拡散法である。 病理組織学の復元モジュールと、高品質な画像を生成するための制御可能な拡散モジュールを含む。
  論文  参考訳（メタデータ） (2024-08-27T17:31:00Z)
• Super-resolution of biomedical volumes with 2D supervision [84.5255884646906]
  超解像のための仮設スライス拡散は、生物学的標本のすべての空間次元にわたるデータ生成分布の固有同値性を利用する。 我々は,高解像度2次元画像の高速取得を特徴とするSliceRの組織学的刺激(SRH)への応用に着目する。
  論文  参考訳（メタデータ） (2024-04-15T02:41:55Z)
• DifAugGAN: A Practical Diffusion-style Data Augmentation for GAN-based Single Image Super-resolution [88.13972071356422]
  本稿では,DifAugGAN として知られる GAN ベースの画像超解像法(SR) のための拡散型データ拡張手法を提案する。 それは、訓練中の判別器の校正を改善するために、生成拡散モデルに拡散過程を適用することを含む。 我々のDifAugGANは、現在のGANベースのSISR手法のプラグ・アンド・プレイ戦略であり、判別器の校正を改善し、SR性能を向上させることができる。
  論文  参考訳（メタデータ） (2023-11-30T12:37:53Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Evaluating the feasibility of using Generative Models to generate Chest X-Ray Data [0.0]
  人工胸部X線画像作成のための生成モデルの有用性について検討した。 我々は,ケストX線14データセットを実験に利用し,モデルの性能評価を行った。 その結果,生成した画像は視覚的に説得力があり,分類モデルの精度向上に有効であることが示唆された。
  論文  参考訳（メタデータ） (2023-05-30T10:36:30Z)
• Self-similarity-based super-resolution of photoacoustic angiography from hand-drawn doodles [9.646172419644088]
  光音響血管造影(PAA)は、血管イメージをアンダーサンプル画像から復元し、疾患の診断を容易にする強力なツールである。 鍛造されたPAA画像で訓練した超高分解能PAA法を用いる新しい手法を提案する。 我々のアプローチは、視覚タスクのためのゼロショット学習ニューラルネットワークを探索する有望な可能性を示している。
  論文  参考訳（メタデータ） (2023-05-02T02:40:47Z)
• 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)
• Fine-tuned Generative Adversarial Network-based Model for Medical Image Super-Resolution [2.647302105102753]
  The Real-Enhanced Super-Resolution Generative Adversarial Network (Real-ESRGAN) is a practical model for recovery HR images from real-world LR images。 実世界の画像劣化をシミュレートするReal-ESRGANの高次劣化モデルを用いる。 提案モデルでは,Real-ESRGANモデルに比べて知覚品質が優れ,細部を効果的に保存し,より現実的なテクスチャで画像を生成する。
  論文  参考訳（メタデータ） (2022-11-01T16:48:04Z)
• 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)
• LeafGAN: An Effective Data Augmentation Method for Practical Plant Disease Diagnosis [2.449909275410288]
  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。
  論文  参考訳（メタデータ） (2020-02-24T07:36:56Z)

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。