論文の概要: Explainable vision transformer enabled convolutional neural network for
plant disease identification: PlantXViT
- arxiv url: http://arxiv.org/abs/2207.07919v1
- Date: Sat, 16 Jul 2022 12:05:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-20 07:33:26.111593
- Title: Explainable vision transformer enabled convolutional neural network for
plant disease identification: PlantXViT
- Title（参考訳）: 説明可能な視覚トランスフォーマーにより植物病診断のための畳み込みニューラルネットワーク:plantxvit
- Authors: Poornima Singh Thakur, Pritee Khanna, Tanuja Sheorey, Aparajita Ojha
- Abstract要約: 植物病は世界の作物の損失の主な原因であり、世界経済に影響を及ぼす。
本研究では、植物病の同定のために、ビジョントランスフォーマーにより「PlantXViT」と呼ばれる畳み込みニューラルネットワークモデルが提案される。
提案したモデルは、わずか0.8万のトレーニング可能なパラメータを持つ軽量な構造であり、IoTベースのスマート農業サービスに適している。
- 参考スコア（独自算出の注目度）: 11.623005206620498
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Plant diseases are the primary cause of crop losses globally, with an impact
on the world economy. To deal with these issues, smart agriculture solutions
are evolving that combine the Internet of Things and machine learning for early
disease detection and control. Many such systems use vision-based machine
learning methods for real-time disease detection and diagnosis. With the
advancement in deep learning techniques, new methods have emerged that employ
convolutional neural networks for plant disease detection and identification.
Another trend in vision-based deep learning is the use of vision transformers,
which have proved to be powerful models for classification and other problems.
However, vision transformers have rarely been investigated for plant pathology
applications. In this study, a Vision Transformer enabled Convolutional Neural
Network model called "PlantXViT" is proposed for plant disease identification.
The proposed model combines the capabilities of traditional convolutional
neural networks with the Vision Transformers to efficiently identify a large
number of plant diseases for several crops. The proposed model has a
lightweight structure with only 0.8 million trainable parameters, which makes
it suitable for IoT-based smart agriculture services. The performance of
PlantXViT is evaluated on five publicly available datasets. The proposed
PlantXViT network performs better than five state-of-the-art methods on all
five datasets. The average accuracy for recognising plant diseases is shown to
exceed 93.55%, 92.59%, and 98.33% on Apple, Maize, and Rice datasets,
respectively, even under challenging background conditions. The efficiency in
terms of explainability of the proposed model is evaluated using
gradient-weighted class activation maps and Local Interpretable Model Agnostic
Explanation.
- Abstract（参考訳）: 植物病は世界の作物の損失の主な原因であり、世界経済に影響を及ぼしている。
これらの問題に対処するため、スマート農業ソリューションは進化し、IoTと機械学習を組み合わせて早期疾患の検出と制御を行っている。
このようなシステムの多くは、リアルタイム疾患の検出と診断に視覚ベースの機械学習手法を使用している。
深層学習技術の進歩に伴い、植物病の検出と同定に畳み込みニューラルネットワークを用いる新たな手法が出現している。
視覚ベースのディープラーニングのもう1つのトレンドは、分類やその他の問題の強力なモデルであることが証明されたビジョントランスフォーマーの使用である。
しかし、植物病理学の分野ではビジョントランスフォーマーが研究されることはめったにない。
本研究では,植物病診断のための視覚トランスフォーマブル畳み込みニューラルネットワークモデル「plantxvit」を提案する。
提案モデルは、従来の畳み込みニューラルネットワークと視覚トランスフォーマーの機能を組み合わせることで、作物の多数の植物病を効率的に同定する。
提案したモデルは、わずか0.8万のトレーニング可能なパラメータを持つ軽量な構造であり、IoTベースのスマート農業サービスに適している。
PlantXViTのパフォーマンスは5つの公開データセットで評価される。
提案するPlantXViTネットワークは,5つのデータセットすべてに対して,最先端の5つのメソッドより優れている。
植物病を認識するための平均精度は、Apple、Maize、Liceのデータセットでそれぞれ93.55%、92.59%、98.33%を超えている。
本モデルの有効性を,勾配重み付きクラスアクティベーションマップと局所解釈可能なモデル説明法を用いて評価した。
関連論文リスト
- Multi-Class Plant Leaf Disease Detection: A CNN-based Approach with Mobile App Integration [0.0]
植物病は農業の生産性に大きな影響を及ぼし、経済的な損失と食料の安全を損なう。
本研究では, 画像処理, 機械学習, 深層学習, 移動技術の統合に着目し, 植物病検出の最先端技術について検討する。
植物葉の高分解能画像が捉えられ、畳み込みニューラルネットワーク(CNN)を用いて分析された。
このモデルは、複数の作物や病気の種類を含む多様なデータセットに基づいて訓練され、98.14%の精度で診断された。
論文 参考訳（メタデータ） (2024-08-26T07:16:41Z) - Benchmarking In-the-wild Multimodal Disease Recognition and A Versatile Baseline [42.49727243388804]
そこで本研究では,植物病原体認識データセットを提案する。
病気のクラスが最も多いだけでなく、各疾患に関するテキストベースの記述も含んでいる。
提案したデータセットは,実世界の疾患認識手法を評価するための理想的なテストベッドとみなすことができる。
論文 参考訳（メタデータ） (2024-08-06T11:49:13Z) - Machine Learning-Based Jamun Leaf Disease Detection: A Comprehensive
Review [0.0]
ジャムン葉病は農業の生産性に重大な脅威をもたらす。
機械学習の出現は、これらの病気に効果的に取り組むための新たな道を開いた。
画像処理技術を用いた類似の疾患検出のために,様々な自動化システムが実装されている。
論文 参考訳（メタデータ） (2023-11-27T11:46:30Z) - Machine Learning-Based Tea Leaf Disease Detection: A Comprehensive
Review [3.3916160303055563]
茶葉病は農業生産にとって大きな課題であり、茶産業の収量や品質に大きく影響している。
機械学習の台頭は、これらの病気に対処するための革新的なアプローチの開発を可能にした。
茶葉病の予測には,すでにさまざまな画像処理技術を用いていくつかの自動化システムが開発されている。
論文 参考訳（メタデータ） (2023-11-06T16:30:40Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - Detection of healthy and diseased crops in drone captured images using
Deep Learning [0.0]
病気によって引き起こされる植物の正常な状態の破壊は、しばしば本質的な植物活動に干渉する。
ドローン画像を用いた植物病の効率的な検出のための深層学習に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2023-05-22T21:15:12Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - Real-time Plant Health Assessment Via Implementing Cloud-based Scalable
Transfer Learning On AWS DeepLens [0.8714677279673736]
植物葉病の検出・分類のための機械学習手法を提案する。
私たちは、AWS SageMaker上でスケーラブルな転送学習を使用して、リアルタイムの実用的なユーザビリティのために、AWS DeepLensにインポートしています。
果実や野菜の健康・不健康な葉の広範な画像データセットに関する実験では,植物葉病のリアルタイム診断で98.78%の精度を示した。
論文 参考訳（メタデータ） (2020-09-09T05:23:34Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - 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。