論文の概要: Double Attention-based Lightweight Network for Plant Pest Recognition

• arxiv url: http://arxiv.org/abs/2210.09956v1
• Date: Tue, 4 Oct 2022 09:25:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 20:34:00.255193
• Title: Double Attention-based Lightweight Network for Plant Pest Recognition
• Title（参考訳）: 植物害虫認識のための二重注意型軽量ネットワーク
• Authors: Sivasubramaniam Janarthan, Selvarajah Thuseethan, Sutharshan Rajasegarar and John Yearwood
• Abstract要約: 異なる植物害虫を自動的に認識するために, ダブルアテンションに基づく軽量ディープラーニングアーキテクチャを提案する。 提案手法は, 5869, 545, 500サンプルの3種類の公開データセットに対して, 96.61%, 99.08%, 91.60%を達成している。
• 参考スコア（独自算出の注目度）: 4.855663359344748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Timely recognition of plant pests from field images is significant to avoid potential losses of crop yields. Traditional convolutional neural network-based deep learning models demand high computational capability and require large labelled samples for each pest type for training. On the other hand, the existing lightweight network-based approaches suffer in correctly classifying the pests because of common characteristics and high similarity between multiple plant pests. In this work, a novel double attention-based lightweight deep learning architecture is proposed to automatically recognize different plant pests. The lightweight network facilitates faster and small data training while the double attention module increases performance by focusing on the most pertinent information. The proposed approach achieves 96.61%, 99.08% and 91.60% on three variants of two publicly available datasets with 5869, 545 and 500 samples, respectively. Moreover, the comparison results reveal that the proposed approach outperforms existing approaches on both small and large datasets consistently.
• Abstract（参考訳）: 被写界画像からの植物害虫のタイムリーな認識は、作物収量の潜在的損失を避けるために重要である。 従来の畳み込みニューラルネットワークベースのディープラーニングモデルは高い計算能力を必要とし、訓練にはペストタイプごとに大きなラベル付きサンプルを必要とする。 一方、既存の軽量ネットワークベースのアプローチは、複数の害虫間の共通特性と高い類似性のため、害虫を正しく分類するに苦しむ。 本研究では,異なる植物害虫を自動的に認識する,二重注意に基づく軽量ディープラーニングアーキテクチャを提案する。 軽量ネットワークは、より高速で小さなデータトレーニングを容易にし、ダブルアテンションモジュールは、最も関連する情報に焦点を当てることで、パフォーマンスを向上させる。 提案手法は, 5869, 545, 500の3種類の公開データセットに対して, 96.61%, 99.08%, 91.60%を達成した。 さらに,提案手法は,小規模データセットと大規模データセットの両方において,既存のアプローチを一貫して上回ることを示す。

関連論文リスト

• Semi-Supervised Weed Detection for Rapid Deployment and Enhanced Efficiency [2.8444649426160304]
  本稿では,2つの主要成分からなる半教師付き雑草検出手法を提案する。 まず,異なる規模の雑草の特徴を捉えるために,マルチスケールの特徴表現手法を用いる。 第2に、トレーニング中にラベル付き画像の小さなセットを活用する適応的な擬似ラベル割り当て戦略を提案する。
  論文  参考訳（メタデータ） (2024-05-12T23:34:06Z)
• Enhancing crop classification accuracy by synthetic SAR-Optical data generation using deep learning [0.0]
  農業地域では、優占作物は典型的には1種または2種であり、他の作物は少ない。 農作物の地図を作成するためにトレーニングサンプルを集める際には、支配的な作物からのサンプルが多数存在し、多数派を形成している。 提案手法は, マイノリティクラスにおけるサンプル数を大幅に増加させることができる, 高品質な合成データを生成することを実証した。
  論文  参考訳（メタデータ） (2024-02-03T11:07:50Z)
• Weakly Supervised Attention-based Models Using Activation Maps for Citrus Mite and Insect Pest Classification [7.6197178280107725]
  本研究は、小領域の分類を改善するために、注意に基づくアクティベーションマップ手法を提案する。 本稿では,Saliency Maps によるAttention-based Multiple Instance Learning Guided と呼ばれる2段階のネットワークプロセスに適用する。 われわれのアプローチでは、有能な昆虫の箱の位置を推測し、位置ラベルなしで訓練する。
  論文  参考訳（メタデータ） (2021-10-02T21:42:22Z)
• Less is More: Lighter and Faster Deep Neural Architecture for Tomato Leaf Disease Classification [0.36700088931938835]
  本研究は,トマト葉の病原体を検出するための,手軽な伝達学習に基づくアプローチを提案する。 効果的な前処理手法を用いて、照度補正による葉画像の高精細化を行い、分類を改良する。 提案アーキテクチャは99.30%の精度でモデルサイズ9.60MBと4.87M浮動小数点演算を実現している。
  論文  参考訳（メタデータ） (2021-09-06T12:14:02Z)
• High performing ensemble of convolutional neural networks for insect pest image detection [124.23179560022761]
  害虫の寄生は作物の被害の主な原因であり、世界中の収入を失った。 我々は異なるトポロジに基づいてCNNのアンサンブルを生成する。 ディープネットワーク最適化のための2つの新しいAdamアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-28T00:49:11Z)
• Few-Shot Fine-Grained Action Recognition via Bidirectional Attention and Contrastive Meta-Learning [51.03781020616402]
  現実世界のアプリケーションで特定のアクション理解の需要が高まっているため、きめ細かいアクション認識が注目を集めている。 そこで本研究では,各クラスに付与されるサンプル数だけを用いて,新規なきめ細かい動作を認識することを目的とした,数発のきめ細かな動作認識問題を提案する。 粒度の粗い動作では進展があったが、既存の数発の認識手法では、粒度の細かい動作を扱う2つの問題に遭遇する。
  論文  参考訳（メタデータ） (2021-08-15T02:21:01Z)
• Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
  本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。 我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
  論文  参考訳（メタデータ） (2020-07-09T08:32:06Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)
• 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)
• Adversarial Feature Hallucination Networks for Few-Shot Learning [84.31660118264514]
  Adversarial Feature Hallucination Networks (AFHN) は条件付き Wasserstein Generative Adversarial Network (cWGAN) に基づいている。 合成された特徴の識別性と多様性を促進するために、2つの新規レギュレータがAFHNに組み込まれている。
  論文  参考訳（メタデータ） (2020-03-30T02:43:16Z)

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。