論文の概要: NemaNet: A convolutional neural network model for identification of
nematodes soybean crop in brazil
- arxiv url: http://arxiv.org/abs/2103.03717v1
- Date: Fri, 5 Mar 2021 14:47:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-08 15:05:12.682685
- Title: NemaNet: A convolutional neural network model for identification of
nematodes soybean crop in brazil
- Title（参考訳）: NemaNet:ブラジルにおける線虫大豆の識別のための畳み込みニューラルネットワークモデル
- Authors: Andre da Silva Abade, Lucas Faria Porto, Paulo Afonso Ferreira, Flavio
de Barros Vidal
- Abstract要約: 植物寄生線虫(または植物性線虫)は作物に深刻な損傷をもたらし、世界中で大規模な経済的損失を引き起こしています。
本研究は,5種の線虫から得られた3,063枚の顕微鏡画像を含むnemadatasetと呼ばれる新しい公共データセットを提案する。
- 参考スコア（独自算出の注目度）: 0.43968605222413054
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Phytoparasitic nematodes (or phytonematodes) are causing severe damage to
crops and generating large-scale economic losses worldwide. In soybean crops,
annual losses are estimated at 10.6% of world production. Besides, identifying
these species through microscopic analysis by an expert with taxonomy knowledge
is often laborious, time-consuming, and susceptible to failure. In this
perspective, robust and automatic approaches are necessary for identifying
phytonematodes capable of providing correct diagnoses for the classification of
species and subsidizing the taking of all control and prevention measures. This
work presents a new public data set called NemaDataset containing 3,063
microscopic images from five nematode species with the most significant damage
relevance for the soybean crop. Additionally, we propose a new Convolutional
Neural Network (CNN) model defined as NemaNet and a comparative assessment with
thirteen popular models of CNNs, all of them representing the state of the art
classification and recognition. The general average calculated for each model,
on a from-scratch training, the NemaNet model reached 96.99% accuracy, while
the best evaluation fold reached 98.03%. In training with transfer learning,
the average accuracy reached 98.88\%. The best evaluation fold reached 99.34%
and achieve an overall accuracy improvement over 6.83% and 4.1%, for
from-scratch and transfer learning training, respectively, when compared to
other popular models.
- Abstract（参考訳）: 植物寄生線虫(または植物性線虫)は作物に深刻な損傷をもたらし、世界中で大規模な経済的損失を引き起こしています。
大豆作物の年間損失は世界生産の10.6%と推計されている。
さらに、分類学の知識を持つ専門家による微視的分析によってこれらの種を特定することは、しばしば手間がかかり、時間がかかり、失敗しやすい。
この観点からは、種分類の正確な診断を提供し、すべての制御・予防措置の取組みを補助することのできる、ロバストかつ自動的アプローチが必要である。
本研究は,5種の線虫から得られた3,063枚の顕微鏡画像を含むnemadatasetと呼ばれる新しい公共データセットを提案する。
さらに、NemaNetとして定義された新しい畳み込みニューラルネットワーク(CNN)モデルと、CNNの13の人気モデルとの比較評価を提案し、それらのすべてが芸術の分類と認識の状態を表しています。
各モデルで計算された平均値は、ゼロスクラッチトレーニングで、NemaNetモデルは96.99%、最良の評価は98.03%に達した。
トランスファーラーニングのトレーニングでは、平均精度は98.88\%に達した。
最高の評価折り畳みは99.34%に達し、他の人気モデルと比較して6.83%と4.1%の全体的な精度向上を達成した。
関連論文リスト
- Classifier Enhanced Deep Learning Model for Erythroblast Differentiation with Limited Data [0.08388591755871733]
病態と遺伝疾患の1%を含む血液疾患は、重大な診断上の課題を呈している。
本手法では,機械学習モデルの有効性を考慮した各種機械学習設定の評価を行う。
データが利用可能になった場合、提案されたソリューションは、小さくてユニークなデータセットの精度を高めるためのソリューションである。
論文 参考訳（メタデータ） (2024-11-23T15:51:15Z) - Stacking-Enhanced Bagging Ensemble Learning for Breast Cancer Classification with CNN [0.24578723416255752]
本稿では,乳がん分類のためのBaggingおよびスタックングアンサンブル学習手法に基づくCNN分類ネットワークを提案する。
このモデルは入力画像の高速かつ正確な分類を行うことができる。
二項分類(乳がんの有無)では、精度は98.84%に達し、5級分類では98.34%に達した。
論文 参考訳（メタデータ） (2024-07-15T09:44:43Z) - Automated Web-Based Malaria Detection System with Machine Learning and Deep Learning Techniques [0.0]
マラリア原虫は、世界的な健康上の重荷となり、広範囲の苦しみと死亡を引き起こしている。
従来のCNNと転写学習モデルを用いて,マラリア感染細胞分類のための深層学習手法を定式化した。
システムはWebインターフェースを通じてアクセスでき、血液のスミア画像をアップロードしてマラリア検出を行うことができる。
論文 参考訳（メタデータ） (2024-06-27T16:50:36Z) - Quantifying Nematodes through Images: Datasets, Models, and Baselines of Deep Learning [3.219431589024008]
植物寄生線虫は、毎年世界中で作物を著しく減らしている。
コンピュータビジョン技術は、線虫または線虫感染を定量化するための実現可能なソリューションを提供する。
本調査では,ディープラーニング初心者を対象とした最先端オブジェクト検出モデル,トレーニング手法,最適化手法,評価指標について述べる。
論文 参考訳（メタデータ） (2024-04-30T17:52:31Z) - 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) - A Saliency-based Clustering Framework for Identifying Aberrant
Predictions [49.1574468325115]
本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。
本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。
本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
論文 参考訳（メタデータ） (2023-11-11T01:53:59Z) - FActScore: Fine-grained Atomic Evaluation of Factual Precision in Long
Form Text Generation [176.56131810249602]
大規模言語モデル(LM)が生成する長文の事実性を評価することは簡単ではない。
FACTSCOREは、世代を一連の原子事実に分解し、信頼できる知識ソースによって支持される原子事実の割合を計算する新しい評価手法である。
論文 参考訳（メタデータ） (2023-05-23T17:06:00Z) - Uncertainty-inspired Open Set Learning for Retinal Anomaly
Identification [71.06194656633447]
9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。
しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。
UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
論文 参考訳（メタデータ） (2023-04-08T10:47:41Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Automatic Detection and Classification of Tick-borne Skin Lesions using
Deep Learning [7.6146285961466]
この研究は、さまざまな畳み込みニューラルネットワークモデルを用いて、粘着性皮膚病変を検出することによって、Burlinaらによるアプローチに基づいている。
われわれは、Googleから7つの言語で画像を取得してデータ入力を拡張し、トレーニングデータを多様化し、皮膚病変検出の精度を向上させるかどうかを検証した。
論文 参考訳（メタデータ） (2020-11-23T15:16:14Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z)
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。