論文の概要: Rice Diseases Detection and Classification Using Attention Based Neural
Network and Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2201.00893v1
- Date: Mon, 3 Jan 2022 22:26:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-05 13:47:22.004798
- Title: Rice Diseases Detection and Classification Using Attention Based Neural
Network and Bayesian Optimization
- Title(参考訳): 注意型ニューラルネットワークとベイズ最適化を用いたイネ病の検出と分類
- Authors: Yibin Wang, Haifeng Wang, Zhaohua Peng
- Abstract要約: 水稲病はしばしば20~40%のコーパス生産損失を産出し、世界経済と密接に関連している。
そこで我々は,AIによる迅速かつ正確な疾患検出を実現するために,MobileNetの構造とアテンション機構に基づくADSNN-BOモデルを提案する。
モバイル対応の ADSNN-BO モデルは94.65% の精度を達成し,テスト対象のすべての最先端モデルを上回っている。
- 参考スコア(独自算出の注目度): 10.07637392589791
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this research, an attention-based depthwise separable neural network with
Bayesian optimization (ADSNN-BO) is proposed to detect and classify rice
disease from rice leaf images. Rice diseases frequently result in 20 to 40 \%
corp production loss in yield and is highly related to the global economy.
Rapid disease identification is critical to plan treatment promptly and reduce
the corp losses. Rice disease diagnosis is still mainly performed manually. To
achieve AI assisted rapid and accurate disease detection, we proposed the
ADSNN-BO model based on MobileNet structure and augmented attention mechanism.
Moreover, Bayesian optimization method is applied to tune hyper-parameters of
the model. Cross-validated classification experiments are conducted based on a
public rice disease dataset with four categories in total. The experimental
results demonstrate that our mobile compatible ADSNN-BO model achieves a test
accuracy of 94.65\%, which outperforms all of the state-of-the-art models
tested. To check the interpretability of our proposed model, feature analysis
including activation map and filters visualization approach are also conducted.
Results show that our proposed attention-based mechanism can more effectively
guide the ADSNN-BO model to learn informative features. The outcome of this
research will promote the implementation of artificial intelligence for fast
plant disease diagnosis and control in the agricultural field.
- Abstract(参考訳): 本研究では,米葉画像からイネ病を検出し分類するために,ベイズ最適化(ADSNN-BO)を用いた注意型深度分離型ニューラルネットワークを提案する。
米の病気はしばしば20から40%のコーポレーション生産の損失を生じさせ、世界経済と密接に関連している。
迅速な疾患の特定は、迅速に治療を計画し、コーポレーションの損失を減らすために重要である。
水稲病の診断は現在でも主に手動で行われている。
迅速かつ正確な疾患検出を実現するために,モバイルネット構造と注意力増強機構に基づくadsnn-boモデルを提案した。
さらに,モデルのハイパーパラメータをチューニングするためにベイズ最適化法を適用した。
4つのカテゴリーからなる公的なイネ病データセットに基づいて,クロスバリデーション分類実験を行った。
実験の結果、モバイル対応adsnn-boモデルは94.65\%の精度を達成し、テストされたすべての最新モデルを上回ることがわかった。
提案モデルの解釈可能性を確認するため,アクティベーションマップやフィルタ可視化手法などの特徴解析も行った。
提案手法は,ADSNN-BOモデルによりより効果的に情報的特徴を学習できることを示す。
本研究の成果は、農業分野における植物病の迅速な診断と制御のための人工知能の実施を促進する。
関連論文リスト
- Detection and Classification of Diabetic Retinopathy using Deep Learning
Algorithms for Segmentation to Facilitate Referral Recommendation for Test
and Treatment Prediction [0.0]
本研究は糖尿病網膜症(DR)の臨床的課題について考察する。
提案手法は、畳み込みニューラルネットワーク(CNN)を用いたトランスファーラーニングを利用して、単一の基礎写真を用いた自動DR検出を行う。
Jaccard、F1、リコール、精度、精度の高評価スコアは、網膜病理評価における診断能力を高めるモデルの可能性を示している。
論文 参考訳(メタデータ) (2024-01-05T11:19:24Z) - Histopathologic Cancer Detection [0.0]
この作業では、PatchCamelyonベンチマークデータセットを使用して、モデルをマルチレイヤのパーセプトロンと畳み込みモデルでトレーニングし、精度の高いリコール、F1スコア、精度、AUCスコアでモデルのパフォーマンスを観察する。
また,データ拡張を伴うResNet50とInceptionNetモデルを導入し,ResNet50が最先端モデルに勝てることを示す。
論文 参考訳(メタデータ) (2023-11-13T19:51:46Z) - Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection
in OCTA Images [53.235117594102675]
オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。
我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。
Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
論文 参考訳(メタデータ) (2023-11-10T11:49:49Z) - Introducing Feature Attention Module on Convolutional Neural Network for
Diabetic Retinopathy Detection [0.7614628596146599]
本稿では、より正確なDR検出のために、特徴注意モジュールと事前訓練されたVGG19畳み込みニューラルネットワーク(CNN)を統合する新しい手法を提案する。
提案モジュールは, CNNの識別能力を高めるために, 各種の眼底画像の相補的情報を活用することを目的としている。
論文 参考訳(メタデータ) (2023-08-06T01:52:46Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳(メタデータ) (2023-07-10T09:49:30Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳(メタデータ) (2023-02-06T16:38:43Z) - COVID-19 Electrocardiograms Classification using CNN Models [1.1172382217477126]
深層学習アルゴリズムの統合による心電図(ECG)データの利用により、COVID-19を自動的に診断するための新しいアプローチが提案されている。
CNNモデルは、VGG16、VGG19、InceptionResnetv2、InceptionV3、Resnet50、Densenet201を含む提案されたフレームワークで利用されている。
この結果,VGG16モデルと比較すると,他のモデルに比べて比較的精度が低いことがわかった。
論文 参考訳(メタデータ) (2021-12-15T08:06:45Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Diabetic Retinopathy Detection using Ensemble Machine Learning [1.2891210250935146]
糖尿病網膜症(Drebetic Retinopathy, DR)は、糖尿病患者の視覚障害の原因となる疾患である。
DRは、網膜に影響を及ぼす微小血管疾患であり、血管の閉塞を引き起こし、網膜組織の主要な栄養源を切断する。
論文 参考訳(メタデータ) (2021-06-22T17:36:08Z) - 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)
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。