論文の概要: An Efficient and Small Convolutional Neural Network for Pest Recognition
-- ExquisiteNet
- arxiv url: http://arxiv.org/abs/2107.07167v1
- Date: Thu, 15 Jul 2021 07:34:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-16 14:01:45.061185
- Title: An Efficient and Small Convolutional Neural Network for Pest Recognition
-- ExquisiteNet
- Title(参考訳): 害虫認識のための効率的で小さな畳み込みニューラルネットワーク-ExquisiteNet
- Authors: Shi-Yao Zhou and Chung-Yen Su
- Abstract要約: 本稿では,害虫を認識するために,ExquisiteNetと呼ばれる小型で効率的なモデルを提案する。
我々のモデルは、データ拡張なしで、テストセットのIP102で52.32%の精度を達成する。
- 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: Nowadays, due to the rapid population expansion, food shortage has become a
critical issue. In order to stabilizing the food source production, preventing
crops from being attacked by pests is very important. In generally, farmers use
pesticides to kill pests, however, improperly using pesticides will also kill
some insects which is beneficial to crops, such as bees. If the number of bees
is too few, the supplement of food in the world will be in short. Besides,
excessive pesticides will seriously pollute the environment. Accordingly,
farmers need a machine which can automatically recognize the pests. Recently,
deep learning is popular because its effectiveness in the field of image
classification. In this paper, we propose a small and efficient model called
ExquisiteNet to complete the task of recognizing the pests and we expect to
apply our model on mobile devices. ExquisiteNet mainly consists of two blocks.
One is double fusion with squeeze-and-excitation-bottleneck block (DFSEB
block), and the other is max feature expansion block (ME block). ExquisiteNet
only has 0.98M parameters and its computing speed is very fast almost the same
as SqueezeNet. In order to evaluate our model's performance, we test our model
on a benchmark pest dataset called IP102. Compared to many state-of-the-art
models, such as ResNet101, ShuffleNetV2, MobileNetV3-large and EfficientNet
etc., our model achieves higher accuracy, that is, 52.32% on the test set of
IP102 without any data augmentation.
- Abstract(参考訳): 近年、人口の急増により食糧不足が深刻な問題となっている。
食糧生産を安定させるためには、作物が害虫に襲われないようにすることが重要である。
一般的に農夫は農薬を使って害虫を殺傷するが、農薬を不適切に使用すると、ミツバチなどの作物に有益な昆虫を殺傷する。
もしミツバチの数が少なすぎると、世界の食料のサプリメントは短くなります。
さらに過度の殺虫剤が環境を汚染する。
そのため、農家は害虫を自動的に認識できる機械が必要である。
近年,画像分類におけるディープラーニングの有効性が注目されている。
本稿では,害虫認識のタスクを完了させるために,ExquisiteNetと呼ばれる小型で効率的なモデルを提案し,モバイルデバイスに適用することを期待する。
ExquisiteNetは主に2ブロックで構成されている。
1つはswish-and-excitation-bottleneckブロック(dfsebブロック)とダブルフュージョンし、もう1つはmax feature expansion block(meブロック)である。
ExquisiteNetは0.98Mパラメータしか持たず、その計算速度はSqueezeNetとほとんど同じである。
モデルの性能を評価するため,我々はIP102と呼ばれるベンチマークペストデータセットを用いてモデルを検証した。
ResNet101、ShuffleNetV2、MobileNetV3-large、EfficientNetなどの最先端モデルと比較して、我々のモデルはデータ拡張なしでテストセットの52.32%の精度を実現している。
関連論文リスト
- Training on the Fly: On-device Self-supervised Learning aboard Nano-drones within 20 mW [52.280742520586756]
ナノドローンのような小さな機械学習(TinyML)を利用した小型サイバー物理システム(CPS)は、ますます魅力的な技術になりつつある。
単純な電子回路はこれらのCPSを安価にすることができるが、計算、メモリ、センサーの資源を著しく制限する。
本稿では,ナノドロンの限られた超低消費電力資源にのみ依存する,オンデバイスファインチューニング手法を提案する。
論文 参考訳(メタデータ) (2024-08-06T13:11:36Z) - Advancing Green AI: Efficient and Accurate Lightweight CNNs for Rice Leaf Disease Identification [0.0]
米は世界の人口の半数以上にとって主要な食料源として重要な役割を担っている。
本研究では,イネ葉病分類のための3つの移動型CNNアーキテクチャについて検討した。
最高のパフォーマンスは、99.8%の精度でEfficientNet-B0モデルによって達成された。
論文 参考訳(メタデータ) (2024-08-03T11:16:00Z) - Unleashing the Power of Transfer Learning Model for Sophisticated Insect Detection: Revolutionizing Insect Classification [0.520707246175575]
この研究では、MobileNetV2、ResNet152V2、Xecption、Custom CNNといったさまざまなモデルを使用します。
ResNet152V2アーキテクチャに基づく畳み込みニューラルネットワーク(CNN)の構築と評価を行った。
この結果は、昆虫の分類と昆虫学研究における現実世界の応用の可能性を強調している。
論文 参考訳(メタデータ) (2024-06-11T20:52:42Z) - A Deep Learning-based Pest Insect Monitoring System for Ultra-low Power Pocket-sized Drones [1.7945764007196348]
スマート農業と精密農業は、効率的で持続可能な農業のためのゲームチェンジャー技術である。
小型のパームサイズのドローンは、作物を検査する柔軟なスマートセンサーとして機能し、害虫の早期発生の兆候を探すことができる。
この研究は、2つの超低消費電力のSystem-on-Chipsを備えた新しい垂直統合ソリューションを提案する。
論文 参考訳(メタデータ) (2024-04-02T10:39:54Z) - 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) - Plant Disease Detection using Region-Based Convolutional Neural Network [2.5091819952713057]
農業はバングラデシュの食料と経済において重要な役割を担っている。
低作物生産の主な原因の1つは、多くの細菌、ウイルス、真菌の植物病である。
本稿では,トマトの葉病予測のための軽量深層学習モデルの構築を目的とする。
論文 参考訳(メタデータ) (2023-03-16T03:43:10Z) - Publishing Efficient On-device Models Increases Adversarial
Vulnerability [58.6975494957865]
本稿では,大規模モデルのオンデバイス版を公開する際のセキュリティ上の考慮事項について検討する。
まず、敵がデバイス上のモデルを悪用し、大きなモデルを攻撃しやすくすることを示す。
次に、フルスケールと効率的なモデルとの類似性が増加するにつれて、脆弱性が増加することを示す。
論文 参考訳(メタデータ) (2022-12-28T05:05:58Z) - Network Augmentation for Tiny Deep Learning [73.57192520534585]
ニューラルネットワークの性能向上のための新しいトレーニング手法であるNetAug(Net Aug)を紹介する。
画像分類と物体検出におけるNetAugの有効性を示す。
論文 参考訳(メタデータ) (2021-10-17T18:48:41Z) - High performing ensemble of convolutional neural networks for insect
pest image detection [124.23179560022761]
害虫の寄生は作物の被害の主な原因であり、世界中の収入を失った。
我々は異なるトポロジに基づいてCNNのアンサンブルを生成する。
ディープネットワーク最適化のための2つの新しいAdamアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-08-28T00:49:11Z) - 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) - One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。
2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
論文 参考訳(メタデータ) (2020-12-14T10:44:22Z)
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。