Fugu-MT 論文翻訳(概要): Improved lightweight identification of agricultural diseases based on MobileNetV3

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

Variational Low-Rank Adaptation Using IVON [50.0349688602232]
変動学習はローランド適応(LoRA)の精度と校正を著しく向上させることができることを示す。我々はAdamWを改良変分オンラインニュートン(IVON)アルゴリズムで置き換え、大きな言語モデルを微調整する。
論文参考訳（メタデータ） (2024-11-07T04:17:30Z)
Analysis of Convolutional Neural Network-based Image Classifications: A Multi-Featured Application for Rice Leaf Disease Prediction and Recommendations for Farmers [0.0]
本研究では,8つの異なる畳み込みニューラルネットワーク(CNN)アルゴリズムを用いて,イネの病原性分類を改善する新しい方法を提案する。この最先端のアプリケーションの助けを借りて、農家はタイムリーでインフォームドな意思決定ができる。注目すべき結果は、ResNet-50の75%の精度、DenseNet121の90%の精度、VGG16の84%の精度、MobileNetV2の95.83%の精度、DenseNet169の91.61%の精度、InceptionV3の86%の精度である。
論文参考訳（メタデータ） (2024-09-17T05:32:01Z)
Advancing Green AI: Efficient and Accurate Lightweight CNNs for Rice Leaf Disease Identification [0.0]
米は世界の人口の半数以上にとって主要な食料源として重要な役割を担っている。本研究では,イネ葉病分類のための3つの移動型CNNアーキテクチャについて検討した。最高のパフォーマンスは、99.8%の精度でEfficientNet-B0モデルによって達成された。
論文参考訳（メタデータ） (2024-08-03T11:16:00Z)
A Deep Learning-based Pest Insect Monitoring System for Ultra-low Power Pocket-sized Drones [1.7945764007196348]
スマート農業と精密農業は、効率的で持続可能な農業のためのゲームチェンジャー技術である。小型のパームサイズのドローンは、作物を検査する柔軟なスマートセンサーとして機能し、害虫の早期発生の兆候を探すことができる。この研究は、2つの超低消費電力のSystem-on-Chipsを備えた新しい垂直統合ソリューションを提案する。
論文参考訳（メタデータ） (2024-04-02T10:39:54Z)
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)
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)
EATFormer: Improving Vision Transformer Inspired by Evolutionary Algorithm [111.17100512647619]
本稿では、実証された実用的な進化的アルゴリズム(EA)と類似したビジョントランスフォーマーの合理性を説明する。本稿では,EA ベースのトランス (EAT) ブロックのみを含む新しいピラミッド EATFormer バックボーンを提案する。画像分類,下流タスク,説明実験に関する大規模かつ定量的な実験は,我々のアプローチの有効性と優位性を示すものである。
論文参考訳（メタデータ） (2022-06-19T04:49:35Z)
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)

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。