Fugu-MT 論文翻訳(概要): Less is More: Lighter and Faster Deep Neural Architecture for Tomato Leaf Disease Classification

論文の概要: Less is More: Lighter and Faster Deep Neural Architecture for Tomato Leaf Disease Classification

arxiv url: http://arxiv.org/abs/2109.02394v1
Date: Mon, 6 Sep 2021 12:14:02 GMT
ステータス: 処理完了
システム内更新日: 2021-09-07 16:51:19.083726
Title: Less is More: Lighter and Faster Deep Neural Architecture for Tomato Leaf Disease Classification
Title（参考訳）: less is more: トマト葉病分類のためのより軽量で高速なディープニューラルアーキテクチャ
Authors: Sabbir Ahmed, Md. Bakhtiar Hasan, Tasnim Ahmed, Redwan Karim Sony, and Md. Hasanul Kabir
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.36700088931938835
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To ensure global food security and the overall profit of stakeholders, the importance of correctly detecting and classifying plant diseases is paramount. In this connection, the emergence of deep learning-based image classification has introduced a substantial number of solutions. However, the applicability of these solutions in low-end devices requires fast, accurate, and computationally inexpensive systems. This work proposes a lightweight transfer learning-based approach for detecting diseases from tomato leaves. It utilizes an effective preprocessing method to enhance the leaf images with illumination correction for improved classification. Our system extracts features using a combined model consisting of a pretrained MobileNetV2 architecture and a classifier network for effective prediction. Traditional augmentation approaches are replaced by runtime augmentation to avoid data leakage and address the class imbalance issue. Evaluation on tomato leaf images from the PlantVillage dataset shows that the proposed architecture achieves 99.30% accuracy with a model size of 9.60MB and 4.87M floating-point operations, making it a suitable choice for real-life applications in low-end devices. Our codes and models will be made available upon publication.
Abstract（参考訳）: グローバルな食料安全保障と利害関係者の全体的な利益を確保するため、植物病を正しく検出・分類することが重要である。この関係において、深層学習に基づく画像分類の出現は、かなりの数のソリューションを導入している。しかし、これらのソリューションをローエンドデバイスに適用するには、高速で正確で計算コストのかかるシステムが必要である。本研究は,トマト葉から疾患を検出するための軽量なトランスファー学習手法を提案する。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。本システムは,事前学習したMobileNetV2アーキテクチャと,効果的な予測のための分類器ネットワークを組み合わせたモデルを用いて特徴を抽出する。従来の拡張アプローチは、データ漏洩を避け、クラス不均衡の問題に対処するため、実行時拡張に置き換えられる。 plantvillageデータセットからのトマト葉画像の評価により、提案アーキテクチャはモデルサイズ9.60mbと4.87mの浮動小数点演算で99.30%の精度を達成でき、ローエンドデバイスでの実際のアプリケーションに適した選択となっている。私たちのコードとモデルは出版時に利用可能になります。

関連論文リスト

A Novel Feature Extraction Model for the Detection of Plant Disease from Leaf Images in Low Computational Devices [2.1990652930491854]
提案手法は,葉のイメージから頑健で識別可能な特徴を抽出するために,様々なタイプのディープラーニング技術を統合する。このデータセットには、10種類のトマト病と1種類の健康な葉から1万枚の葉の写真が含まれています。 AlexNetの精度スコアは87%で、高速で軽量であり、組み込みシステムでの使用に適している。
論文参考訳（メタデータ） (2024-10-01T19:32:45Z)
LightPure: Realtime Adversarial Image Purification for Mobile Devices Using Diffusion Models [1.6035624867835674]
本稿では,敵画像の清浄性を高める新しい方法であるLightPureを紹介する。既存の浄化法の精度を向上し、スピードと計算効率を著しく向上させる。以上の結果から,LightPureは既存のメソッドを最大10倍のレイテンシで上回ることができることがわかった。
論文参考訳（メタデータ） (2024-08-31T03:45:57Z)
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)
ViTaL: An Advanced Framework for Automated Plant Disease Identification in Leaf Images Using Vision Transformers and Linear Projection For Feature Reduction [0.0]
本稿では,植物葉画像中の疾患の自動識別のための堅牢な枠組みを提案する。このフレームワークには、いくつかの重要なステージが組み込まれており、疾患の認識精度が向上している。本報告では, 病原葉を全方位でスキャンするハードウェア設計を提案する。
論文参考訳（メタデータ） (2024-02-27T11:32:37Z)
An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文参考訳（メタデータ） (2022-10-27T20:53:39Z)
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)
Magic ELF: Image Deraining Meets Association Learning and Transformer [63.761812092934576]
本稿では,CNN と Transformer を統合化して,画像デライニングにおける学習のメリットを活用することを目的とする。降雨除去と背景復旧を関連づける新しいマルチインプット・アテンション・モジュール (MAM) を提案する。提案手法(ELF)は,最先端手法(MPRNet)を平均0.25dB向上させる。
論文参考訳（メタデータ） (2022-07-21T12:50:54Z)
CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
論文参考訳（メタデータ） (2021-06-20T08:20:56Z)
Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文参考訳（メタデータ） (2020-05-18T21:57:47Z)
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。