論文の概要: Improved lightweight identification of agricultural diseases based on
MobileNetV3
- arxiv url: http://arxiv.org/abs/2207.11238v1
- Date: Tue, 19 Jul 2022 06:48:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-31 14:15:27.539459
- Title: Improved lightweight identification of agricultural diseases based on
MobileNetV3
- Title(参考訳): MobileNetV3による農業病の軽度識別の改善
- Authors: Yuhang Jiang, Wenping Tong
- Abstract要約: 本稿では,コーディネート注意ブロックを紹介する。
MobileNetV3のパラメータは22%削減され、モデルサイズは19.7%削減され、精度は0.92%向上した。
組込みデバイスに農薬識別モデルをデプロイするためのリファレンスを提供する。
- 参考スコア(独自算出の注目度): 2.66512000865131
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: At present, the identification of agricultural pests and diseases has the
problem that the model is not lightweight enough and difficult to apply. Based
on MobileNetV3, this paper introduces the Coordinate Attention block. The
parameters of MobileNetV3-large are reduced by 22%, the model size is reduced
by 19.7%, and the accuracy is improved by 0.92%. The parameters of
MobileNetV3-small are reduced by 23.4%, the model size is reduced by 18.3%, and
the accuracy is increased by 0.40%. In addition, the improved MobileNetV3-small
was migrated to Jetson Nano for testing. The accuracy increased by 2.48% to
98.31%, and the inference speed increased by 7.5%. It provides a reference for
deploying the agricultural pest identification model to embedded devices.
- Abstract(参考訳): 現在、農業用害虫や病気の同定には、モデルが十分に軽量で適用が難しいという問題がある。
本稿では,mobilenetv3に基づいて座標注意ブロックを提案する。
MobileNetV3のパラメータは22%削減され、モデルサイズは19.7%削減され、精度は0.92%向上した。
MobileNetV3-small のパラメータは 23.4% 削減され、モデルサイズは 18.3% 削減され、精度は 0.40% 向上した。
さらに改良されたmobilenetv3-smallはテストのためにjetson nanoに移行された。
精度は2.48%向上して98.31%、推論速度は7.5%向上した。
農業用害虫識別モデルを組み込みデバイスにデプロイするためのリファレンスを提供する。
関連論文リスト
- MobileLLM: Optimizing Sub-billion Parameter Language Models for
On-Device Use Cases [47.96655222695618]
本稿では、クラウドコストの増大とレイテンシの懸念により、モバイルデバイス上での効率的な大規模言語モデル(LLM)の必要性に対処する。
モバイルデプロイメントの実践的な選択として,10億未満のパラメータで高品質なLLMを設計することに重点を置いています。
論文 参考訳(メタデータ) (2024-02-22T18:58:55Z) - QD-BEV : Quantization-aware View-guided Distillation for Multi-view 3D
Object Detection [57.019527599167255]
BEV (bird-eye-view) に基づく多視点3D検出は、最近大幅に改善されている。
本稿では,BEVタスクに量子化を直接適用することで,トレーニングが不安定になり,性能劣化が許容できないことを示す。
QD-BEVにより,新しいビュー誘導蒸留(VGD)の目標が実現され,QAT(量子化対応トレーニング)の安定化が図られ,モデル性能が向上する。
論文 参考訳(メタデータ) (2023-08-21T07:06:49Z) - A Lightweight and Accurate Face Detection Algorithm Based on Retinaface [0.5076419064097734]
Retinaface に基づく軽量かつ高精度な顔検出アルゴリズム LAFD (Light and accurate face detection) を提案する。
アルゴリズムのバックボーンネットワークは、畳み込みカーネルのサイズを調整する修正されたMobileNetV3ネットワークである。
入力画像が前処理され、長さが1560px、幅が1200pxとなると、平均精度は86.2%となる。
論文 参考訳(メタデータ) (2023-08-08T15:36:57Z) - Patch-Level Contrasting without Patch Correspondence for Accurate and
Dense Contrastive Representation Learning [79.43940012723539]
ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。
提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
論文 参考訳(メタデータ) (2023-06-23T07:38:09Z) - Reinforce Data, Multiply Impact: Improved Model Accuracy and Robustness
with Dataset Reinforcement [68.44100784364987]
本研究では、強化データセット上でトレーニングされたモデルアーキテクチャの精度が、ユーザにとって追加のトレーニングコストなしで向上するように、データセットを改善する戦略を提案する。
ImageNet+と呼ばれるImageNetトレーニングデータセットの強化バージョンと、強化されたデータセットCIFAR-100+、Flowers-102+、Food-101+を作成します。
ImageNet+でトレーニングされたモデルは、より正確で、堅牢で、校正され、下流タスクにうまく転送されます。
論文 参考訳(メタデータ) (2023-03-15T23:10:17Z) - Pushing the Limits of Fewshot Anomaly Detection in Industry Vision:
Graphcore [71.09522172098733]
FSADにおけるグラフ表現を利用して,新しい視覚不変特徴(VIIF)を異常測定特徴として利用する。
VIIFは異常識別能力を確実に向上し、Mに格納された冗長な特徴のサイズをさらに小さくすることができる。
さらに、教師なしFSADトレーニングを高速に実装し、異常検出の性能を向上させることができる、VIIFによる新しいモデルGraphCoreを提供する。
論文 参考訳(メタデータ) (2023-01-28T03:58:32Z) - Alexa Teacher Model: Pretraining and Distilling Multi-Billion-Parameter
Encoders for Natural Language Understanding Systems [63.713297451300086]
本研究では,700Mから9.3Bまでの非埋め込みパラメータ数を持つ事前学習エンコーダの大規模実験結果について述べる。
その後、17M-170Mパラメータからより小さなモデルに蒸留し、仮想アシスタントシステムの自然言語理解(NLU)コンポーネントに応用した。
論文 参考訳(メタデータ) (2022-06-15T20:44:23Z) - Problem-dependent attention and effort in neural networks with
applications to image resolution and model selection [0.0]
本稿では,画像分類におけるデータと計算コストを削減するために,アンサンブルに基づく2つの新しい手法を提案する。
任意の分類器で使用することができ、追加のトレーニングを必要としない。
論文 参考訳(メタデータ) (2022-01-05T02:27:35Z) - PP-PicoDet: A Better Real-Time Object Detector on Mobile Devices [13.62426382827205]
実時間物体検出器のPP-PicoDetファミリは,モバイルデバイスの物体検出において優れた性能を発揮する。
モデルは、他の一般的なモデルと比較して、精度とレイテンシのトレードオフを改善する。
論文 参考訳(メタデータ) (2021-11-01T12:53:17Z) - Research on Optimization Method of Multi-scale Fish Target Fast
Detection Network [11.99307231512725]
2000枚の魚画像でネットワークをテストする精度は94.37%に達し、BFLOPSの計算複雑性はわずか5.47である。
その結果, BTP-Yolov3はモデルパラメータが小さく, 計算速度が速く, 運転時のエネルギー消費量も小さいことがわかった。
論文 参考訳(メタデータ) (2021-04-11T16:53:34Z) - Pre-defined Sparsity for Low-Complexity Convolutional Neural Networks [9.409651543514615]
この研究は、フィルタ内で定期的に繰り返されるサポートセットを持つ、事前に定義されたスパース2Dカーネルを持つ畳み込みレイヤを導入している。
周期的なスパースカーネルの効率的な保存のため、パラメータの節約はエネルギー効率を大幅に向上させることができる。
論文 参考訳(メタデータ) (2020-01-29T07:10:56Z)
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。