論文の概要: Using deep convolutional neural networks to classify poisonous and
edible mushrooms found in China
- arxiv url: http://arxiv.org/abs/2210.10351v1
- Date: Wed, 19 Oct 2022 07:36:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 13:36:06.383925
- Title: Using deep convolutional neural networks to classify poisonous and
edible mushrooms found in China
- Title（参考訳）: 中国における有毒および食用キノコの分類に深層畳み込みニューラルネットワークを用いる
- Authors: Baiming Zhang, Ying Zhao, Zhixiang Li
- Abstract要約: 中国では毎年約8000人が病気になり、有毒なキノコを誤って食べた結果70人が死亡した。
そこで本研究では,キノコが有毒であるか否かを,スマートフォン上で数百枚の食用キノコおよび有毒キノコ画像から解析することによって明らかにすることを提案する。
- 参考スコア（独自算出の注目度）: 3.2112925535811665
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Because of their abundance of amino acids, polysaccharides, and many other
nutrients that benefit human beings, mushrooms are deservedly popular as
dietary cuisine both worldwide and in China. However, if people eat poisonous
fungi by mistake, they may suffer from nausea, vomiting, mental disorder, acute
anemia, or even death. Each year in China, there are around 8000 people became
sick, and 70 died as a result of eating toxic mushrooms by mistake. It is
counted that there are thousands of kinds of mushrooms among which only around
900 types are edible, thus without specialized knowledge, the probability of
eating toxic mushrooms by mistake is very high. Most people deem that the only
characteristic of poisonous mushrooms is a bright colour, however, some kinds
of them do not correspond to this trait. In order to prevent people from eating
these poisonous mushrooms, we propose to use deep learning methods to indicate
whether a mushroom is toxic through analyzing hundreds of edible and toxic
mushrooms smartphone pictures. We crowdsource a mushroom image dataset that
contains 250 images of poisonous mushrooms and 200 images of edible mushrooms.
The Convolutional Neural Network (CNN) is a specialized type of artificial
neural networks that use a mathematical operation called convolution in place
of general matrix multiplication in at least one of their layers, which can
generate a relatively precise result by analyzing a huge amount of images, and
thus is very suitable for our research. The experimental results demonstrate
that the proposed model has high credibility and can provide a decision-making
basis for the selection of edible fungi, so as to reduce the morbidity and
mortality caused by eating poisonous mushrooms. We also open source our hand
collected mushroom image dataset so that peer researchers can also deploy their
own model to advance poisonous mushroom identification.
- Abstract（参考訳）: アミノ酸、多糖類、その他多くの栄養素が豊富に存在するため、キノコは世界中でも中国でも食事料理として人気がある。
しかし、誤って有毒な真菌を食べると、吐き気、吐き気、精神障害、急性貧血、さらには死に至ることがある。
中国では毎年8000人が病気になり、毒キノコを誤って食べたために70人が死亡している。
約900種類のキノコしか食べられない数千種類のキノコが存在しており、専門知識がないと、誤って毒性のあるキノコを食べる確率が非常に高いと数えられる。
有毒キノコの唯一の特徴は明るい色であると考える人は多いが、一部の種はこの特徴とは一致しない。
そこで本研究では,これら有毒キノコの摂取を防止するため,数百枚のスマートフォン画像を分析し,キノコが有毒かどうかを深層学習で示すことを提案する。
有毒キノコの250画像と食用キノコの200画像を含むキノコ画像データセットをクラウドソースした。
畳み込みニューラルネットワーク(CNN)は,少なくとも1つの層における一般行列乗法の代わりに畳み込みと呼ばれる数学的演算を用いて,大量の画像を分析して比較的正確な結果を得ることができる,特殊な人工知能ニューラルネットワークである。
実験結果から, 提案モデルは信頼性が高く, 食用菌の選択に決定的基盤を与えることができ, 有毒キノコの摂取による死亡率と死亡率の低減が図られた。
我々はまた、手収集したキノコ画像データセットをオープンソース化し、仲間の研究者が自身のモデルで有毒なキノコの識別を推し進めることができるようにしました。
関連論文リスト
- Alleviating Hallucinations in Large Vision-Language Models through Hallucination-Induced Optimization [123.54980913741828]
大規模ビジュアル言語モデル(LVLM)は、マルチモーダルデータの理解において、例外的な能力を示した。
彼らは必然的に幻覚に悩まされ、生成されたテキストと対応するイメージを切断する。
現在の視覚的コントラスト復号法のほとんどは、視覚的不確実性情報を導入して幻覚を緩和しようとするものである。
しかし、彼らは幻覚トークンを正確に誘導するのに苦労し、幻覚を緩和する効果を著しく制限した。
論文 参考訳（メタデータ） (2024-05-24T08:46:31Z) - QMViT: A Mushroom is worth 16x16 Words [1.5749416770494706]
本研究は,キノコ分類性能を向上させるために量子コンピューティングを活用する新しい量子ビジョントランスフォーマーアーキテクチャを提案する。
提案されたアーキテクチャは、それぞれカテゴリと適応性に基づいて92.33%と99.24%の精度を達成した。
論文 参考訳（メタデータ） (2024-05-11T03:38:01Z) - Generating Potent Poisons and Backdoors from Scratch with Guided Diffusion [146.05177661746274]
現代のニューラルネットワークは、人間の最小限の検査でウェブスクラップされた大量のデータセットで訓練されることが多い。
本研究では, 誘導拡散法を用いて, スクラッチから塩基サンプルを合成し, より強力な毒性やバックドアを発生させる。
論文 参考訳（メタデータ） (2024-03-25T02:03:38Z) - Quantity Matters: Towards Assessing and Mitigating Number Hallucination in Large Vision-Language Models [57.42800112251644]
本研究では,画像中の特定の物体の数を誤って識別するモデルを参照しながら,特定の種類の幻覚数幻覚に焦点を当てた。
そこで,本研究では,数幻覚を減らすための一貫性向上を目的としたトレーニング手法を考案し,直接微調整法よりも8%の性能向上を図った。
論文 参考訳（メタデータ） (2024-03-03T02:31:11Z) - Development of a Prototype Application for Rice Disease Detection Using
Convolutional Neural Networks [0.0]
米はフィリピンで1番の主食である。
農家は、稲作全体を害する恐れのあるイネの葉の病原体に慣れていない。
イネの一般的な細菌の葉に対処する必要性は深刻な病気であり、収量が減少し、収穫量も最大75%減少する。
論文 参考訳（メタデータ） (2023-01-13T13:12:40Z) - Paddy Leaf diseases identification on Infrared Images based on
Convolutional Neural Networks [0.0]
本稿では、モデルに基づく畳み込みニューラルネットワーク(CNN)を実装し、636個の赤外線画像サンプルからなる公開データセットをテストする。
提案モデルでは5種類の水田病を同定し分類し,88.28%の精度を達成した。
論文 参考訳（メタデータ） (2022-07-29T18:24:29Z) - Mushroom image recognition and distance generation based on
attention-mechanism model and genetic information [4.845860279763184]
注目機構に基づく新しいモデルであるMushroomNetを提案し,バックボーンモデルとして軽量ネットワークMobileNetV3を適用した。
パブリックデータセットでは、MushroomNetモデルのテスト精度が83.9%に達し、ローカルデータセットでは、テスト精度が77.4%に達した。
その結果,MES活性化関数はキノコの遺伝的距離を非常に正確に予測できるが,精度はSoftMaxよりも低いことがわかった。
論文 参考訳（メタデータ） (2022-06-27T15:43:03Z) - Poisons that are learned faster are more effective [51.626260003155295]
データセット全体に対する知覚不能な毒殺攻撃は、データプライバシを保護する方法として最近非難されている。
誤差最小化, エラー最大化, 合成毒素を100回以上のピーク検定精度でベンチマークした。
トレーニング損失の少ない毒がピークテストの精度を低下させることがわかった。
論文 参考訳（メタデータ） (2022-04-19T02:34:11Z) - Mushrooms Detection, Localization and 3D Pose Estimation using RGB-D
Sensor for Robotic-picking Applications [0.3655021726150367]
RGB-Dデータを用いたキノコ検出,局所化,および3次元ポーズ推定アルゴリズムを提案する。
RGB色からキノコの初期輪郭位置を抽出する。
次に,キノコセグメンテーションのための初期輪郭位置と原画像の両方を活性輪郭に提供する。
検出されたキノコ中心の深度情報を欠く場合,各キノコの半径内に最も近い深度情報から推定する。
論文 参考訳（メタデータ） (2022-01-08T14:32:25Z) - Intestinal Parasites Classification Using Deep Belief Networks [53.20999552522241]
40億ドルの人々が腸内寄生虫に感染している。
人間の視覚検査はまだ臨床診断の大部分を担当している。
腸内寄生虫自動分類の文脈に深層信念ネットワークを導入する。
論文 参考訳（メタデータ） (2021-01-17T18:47:02Z) - MetaPoison: Practical General-purpose Clean-label Data Poisoning [58.13959698513719]
データ中毒は、ニューラルネットワークの文脈における新たな脅威である。
メタポゾン(MetaPoison)は、メタラーニングによって二段階問題を近似し、ニューラルネットワークを騙す毒を発生させる一階法である。
ブラックボックスのGoogle Cloud AutoML APIでトレーニングされたモデルのデータ中毒が、初めて成功したことを実証します。
論文 参考訳（メタデータ） (2020-04-01T04:23:20Z)
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。