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
- Early Diagnosis of Alzheimer's Diseases and Dementia from MRI Images Using an Ensemble Deep Learning [0.7510165488300369]
アルツハイマー病(英語: Alzheimer's Disease, AD)は、認知障害や認知失調を引き起こす進行性神経疾患である。
本研究では,ADの初期段階を正確に検出するために,IR-BRAINNETとModified-DEMNETの2つのCNNを提案する。
また、CNN間のばらつきを低減し、AD検出を向上させるために出力を平均化するアンサンブルモデルも導入した。
論文 参考訳（メタデータ） (2024-12-07T14:27:41Z) - DiffuPT: Class Imbalance Mitigation for Glaucoma Detection via Diffusion Based Generation and Model Pretraining [1.8218878957822688]
緑内障は、視神経頭の構造的損傷と視野の機能的変化を特徴とする進行性視神経症である。
本研究では, 緑内障の診断, 特に合成データ生成によるクラス不均衡に対処するために, 生成的枠組みを用いている。
論文 参考訳（メタデータ） (2024-12-04T17:39:44Z) - CAVE-Net: Classifying Abnormalities in Video Capsule Endoscopy [0.1937002985471497]
複雑な画像データセットを解析する際の診断精度を向上させるために,アンサンブルに基づくアプローチを提案する。
各モデルのユニークな特徴抽出機能を活用し、全体的な精度を向上させる。
これらの手法を用いることで、提案フレームワークであるCAVE-Netは、ロバストな特徴識別と、より優れた分類結果を提供する。
論文 参考訳（メタデータ） (2024-10-26T17:25:08Z) - Enhancing Eye Disease Diagnosis with Deep Learning and Synthetic Data Augmentation [0.0]
本稿では,糖尿病網膜症の早期発見と管理を目的としたアンサンブル学習手法を提案する。
提案したモデルはAPTOSデータセット上でテストされ、以前のモデルと比較して検証精度(99%)の優位性を示している。
論文 参考訳（メタデータ） (2024-07-25T04:09:17Z) - 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) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z) - 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) - 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。