論文の概要: An Efficient Insect Pest Classification Using Multiple Convolutional Neural Network Based Models

• arxiv url: http://arxiv.org/abs/2107.12189v1
• Date: Mon, 26 Jul 2021 12:53:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-27 16:23:26.163039
• Title: An Efficient Insect Pest Classification Using Multiple Convolutional Neural Network Based Models
• Title（参考訳）: 複数の畳み込みニューラルネットワークモデルを用いた昆虫害虫の効率的な分類
• Authors: Hieu T. Ung, Huy Q. Ung, Binh T. Nguyen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.3222802562733786
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate insect pest recognition is significant to protect the crop or take the early treatment on the infected yield, and it helps reduce the loss for the agriculture economy. Design an automatic pest recognition system is necessary because manual recognition is slow, time-consuming, and expensive. The Image-based pest classifier using the traditional computer vision method is not efficient due to the complexity. Insect pest classification is a difficult task because of various kinds, scales, shapes, complex backgrounds in the field, and high appearance similarity among insect species. With the rapid development of deep learning technology, the CNN-based method is the best way to develop a fast and accurate insect pest classifier. We present different convolutional neural network-based models in this work, including attention, feature pyramid, and fine-grained models. We evaluate our methods on two public datasets: the large-scale insect pest dataset, the IP102 benchmark dataset, and a smaller dataset, namely D0 in terms of the macro-average precision (MPre), the macro-average recall (MRec), the macro-average F1- score (MF1), the accuracy (Acc), and the geometric mean (GM). The experimental results show that combining these convolutional neural network-based models can better perform than the state-of-the-art methods on these two datasets. For instance, the highest accuracy we obtained on IP102 and D0 is $74.13\%$ and $99.78\%$, respectively, bypassing the corresponding state-of-the-art accuracy: $67.1\%$ (IP102) and $98.8\%$ (D0). We also publish our codes for contributing to the current research related to the insect pest classification problem.
• Abstract（参考訳）: 正確な害虫認識は、作物を保護したり、感染した収量に対する早期治療を行うために重要であり、農業経済の損失を減らすのに役立つ。 手動認識が遅く、時間がかかり、高価であるため、自動害虫認識システムの設計が必要である。 従来のコンピュータビジョン方式を用いたイメージベース害虫分類器は、複雑さのため効率的ではない。 昆虫害虫の分類は、様々な種類、スケール、形状、フィールドの複雑な背景、昆虫種間の外観の類似性から難しい課題である。 ディープラーニング技術の急速な発展により、cnnベースの手法は、速く正確な昆虫害虫分類器を開発する最善の方法である。 本研究では,注意点,特徴ピラミッド,細粒度モデルなど,様々な畳み込みニューラルネットワークモデルを提案する。 我々は,大規模な害虫データセット,IP102ベンチマークデータセット,およびより小さなデータセット,すなわちマクロ平均精度(MPre),マクロ平均リコール(MRec),マクロ平均F1スコア(MF1),精度(Acc),幾何学平均値(GM)の2つの公開データセットについて評価を行った。 実験の結果,畳み込みニューラルネットワークモデルの組み合わせは,これら2つのデータセットの最先端手法よりも優れた性能を示す。 例えば、ip102 と d0 で得られた最高精度はそれぞれ74.13\%$ と 99.78\%$ であり、対応する最先端の正確さをバイパスしている: 76.1\%$ (ip102) と 98.8\%$ (d0) である。 また,害虫分類問題に関する現在の研究に貢献するためのコードも公開している。

関連論文リスト

• 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)
• Low Cost Machine Vision for Insect Classification [33.7054351451505]
  本稿では,低コストでスケーラブルなオープンソースシステムとして開発されたマルチセンサシステムの一部として,イメージング手法を提案する。 このシステムは、同じ昆虫種16種と異なる属、家系、順序からなるデータセットで、例に評価される。 種間類似度の高い種を分類するためには,昆虫のイメージトリミングが必要であることが証明された。
  論文  参考訳（メタデータ） (2024-04-26T15:43:24Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• A fast accurate fine-grain object detection model based on YOLOv4 deep neural network [0.0]
  商業農場や果樹園における植物病の早期発見と予防は、精密農業技術の重要な特徴である。 本稿では,植物病の検出におけるいくつかの障害に対処する高性能なリアルタイム微粒物検出フレームワークを提案する。 提案するモデルは、You Only Look Once (YOLOv4)アルゴリズムの改良版に基づいて構築されている。
  論文  参考訳（メタデータ） (2021-10-30T17:56:13Z)
• Less is More: Lighter and Faster Deep Neural Architecture for Tomato Leaf Disease Classification [0.36700088931938835]
  本研究は,トマト葉の病原体を検出するための,手軽な伝達学習に基づくアプローチを提案する。 効果的な前処理手法を用いて、照度補正による葉画像の高精細化を行い、分類を改良する。 提案アーキテクチャは99.30%の精度でモデルサイズ9.60MBと4.87M浮動小数点演算を実現している。
  論文  参考訳（メタデータ） (2021-09-06T12:14:02Z)
• 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)
• 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)
• 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)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。