Fugu-MT 論文翻訳(概要): Detection of Plant Leaf Disease Directly in the JPEG Compressed Domain using Transfer Learning Technique

論文の概要: Detection of Plant Leaf Disease Directly in the JPEG Compressed Domain using Transfer Learning Technique

arxiv url: http://arxiv.org/abs/2107.04813v1
Date: Sat, 10 Jul 2021 11:10:28 GMT
ステータス: 処理完了
システム内更新日: 2021-07-13 16:06:05.944674
Title: Detection of Plant Leaf Disease Directly in the JPEG Compressed Domain using Transfer Learning Technique
Title（参考訳）: 伝達学習法を用いたJPEG圧縮領域における植物葉病の直接検出
Authors: Atul Sharma, Bulla Rajesh and Mohammed Javed
Abstract要約: 植物葉病は食品の安全性に重大な危険をもたらし、品質と生産量の低下を引き起こす。ディープニューラルネットワークは画像分類において極めて有益である。本研究では, JPEG圧縮領域において, 転写学習を用いた植物葉病検出について検討した。
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: Plant leaf diseases pose a significant danger to food security and they cause depletion in quality and volume of production. Therefore accurate and timely detection of leaf disease is very important to check the loss of the crops and meet the growing food demand of the people. Conventional techniques depend on lab investigation and human skills which are generally costly and inaccessible. Recently, Deep Neural Networks have been exceptionally fruitful in image classification. In this research paper, plant leaf disease detection employing transfer learning is explored in the JPEG compressed domain. Here, the JPEG compressed stream consisting of DCT coefficients is, directly fed into the Neural Network to improve the efficiency of classification. The experimental results on JPEG compressed leaf dataset demonstrate the efficacy of the proposed model.
Abstract（参考訳）: 植物の葉病は食品の安全性に重大な危険をもたらし、品質と生産量の低下を引き起こす。したがって、葉病の正確かつタイムリーな検出は、作物の損失を確認し、人々の食料需要の増加に対応するために非常に重要である。従来の手法は、一般的に費用がかかり、アクセス不能な検査と人間のスキルに依存している。近年,Deep Neural Networksは画像分類において極めて有益である。本研究では, JPEG圧縮領域において, 転写学習を用いた植物葉病検出について検討した。ここでは、DCT係数からなるJPEG圧縮ストリームをニューラルネットワークに直接供給し、分類効率を向上させる。 JPEG圧縮葉データに対する実験結果から,提案モデルの有効性が示された。

関連論文リスト

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)
Small data deep learning methodology for in-field disease detection [6.2747249113031325]
本稿では,ポテト作物の遅発症状を軽度に検出できる最初の機械学習モデルを提案する。提案手法は, 焦点損失関数を持つ深部畳み込みニューラルネットワークをベースとした, パッチ方式による高分解能画像の高精細化を実現する。本モデルでは, 早期症状の同定に高い精度と有効性を示した。
論文参考訳（メタデータ） (2024-09-25T17:31:17Z)
Evaluating Data Augmentation Techniques for Coffee Leaf Disease Classification [2.0892083471064407]
本稿では,RoCoLeデータセットを用いて,深層学習による画像からのコーヒー葉病の分類を行う。本研究は, トランスフォーマーモデル, オンライン強化, およびCycleGAN増強が葉病分類の改善に有効であることを示す。
論文参考訳（メタデータ） (2024-01-11T09:22:36Z)
Detection of healthy and diseased crops in drone captured images using Deep Learning [0.0]
病気によって引き起こされる植物の正常な状態の破壊は、しばしば本質的な植物活動に干渉する。ドローン画像を用いた植物病の効率的な検出のための深層学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2023-05-22T21:15:12Z)
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)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文参考訳（メタデータ） (2022-02-27T02:19:09Z)
Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文参考訳（メタデータ） (2021-06-14T21:57:40Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)
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)
ElixirNet: Relation-aware Network Architecture Adaptation for Medical Lesion Detection [90.13718478362337]
本稿では,1)TruncatedRPNが正負値と負値のバランスをとること,2)Auto-lesion Blockが自動的に医療画像にカスタマイズされ,地域提案間の関係認識操作が組み込まれること,3)Relation Transferモジュールが意味的関係を組み込むこと,の3つのコンポーネントを含む新しいElixirNetを紹介した。 DeepLesionとKits19の実験では、ElixirNetの有効性が証明され、パラメータが少なくてFPNよりも感度と精度が向上した。
論文参考訳（メタデータ） (2020-03-03T05:29:49Z)

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。