Fugu-MT 論文翻訳(概要): MCFFA-Net: Multi-Contextual Feature Fusion and Attention Guided Network for Apple Foliar Disease Classification

論文の概要: MCFFA-Net: Multi-Contextual Feature Fusion and Attention Guided Network for Apple Foliar Disease Classification

arxiv url: http://arxiv.org/abs/2211.14175v1
Date: Fri, 25 Nov 2022 15:25:36 GMT
ステータス: 処理完了
システム内更新日: 2022-11-28 17:21:08.639334
Title: MCFFA-Net: Multi-Contextual Feature Fusion and Attention Guided Network for Apple Foliar Disease Classification
Title（参考訳）: MCFFA-Net:Apple Foliar病分類のためのマルチコンテキスト特徴フュージョンと注意誘導ネットワーク
Authors: Md. Rayhan Ahmed, Adnan Ferdous Ashrafi, Raihan Uddin Ahmed, Tanveer Ahmed
Abstract要約: リンゴの葉の早期の病原性同定は、感染の拡散を防ぎ、生産性を向上させるのに役立つ。従来の機械学習とディープラーニングはこの問題に対処し、調査してきた。本稿では,MCFFA-Net という新しいトランスファー学習型スタック型アンサンブルアーキテクチャを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Numerous diseases cause severe economic loss in the apple production-based industry. Early disease identification in apple leaves can help to stop the spread of infections and provide better productivity. Therefore, it is crucial to study the identification and classification of different apple foliar diseases. Various traditional machine learning and deep learning methods have addressed and investigated this issue. However, it is still challenging to classify these diseases because of their complex background, variation in the diseased spot in the images, and the presence of several symptoms of multiple diseases on the same leaf. This paper proposes a novel transfer learning-based stacked ensemble architecture named MCFFA-Net, which is composed of three pre-trained architectures named MobileNetV2, DenseNet201, and InceptionResNetV2 as backbone networks. We also propose a novel multi-scale dilated residual convolution module to capture multi-scale contextual information with several dilated receptive fields from the extracted features. Channel-based attention mechanism is provided through squeeze and excitation networks to make the MCFFA-Net focused on the relevant information in the multi-receptive fields. The proposed MCFFA-Net achieves a classification accuracy of 90.86%.
Abstract（参考訳）: 多くの病気がリンゴ生産業界で深刻な経済損失を引き起こしている。リンゴの葉の早期の病原性同定は、感染の拡散を防ぎ、生産性を高めるのに役立つ。したがって、異なるリンゴ葉病の同定と分類を研究することが重要である。さまざまな従来の機械学習とディープラーニング手法がこの問題に対処し、調査してきた。しかし、複雑な背景、画像中の病点の変化、同じ葉に複数の疾患の症状が存在するため、これらの疾患を分類することは依然として困難である。本稿では,MobileNetV2,DenseNet201,InceptionResNetV2という3つの事前学習アーキテクチャをバックボーンネットワークとして構成した,移動学習に基づくスタック型アンサンブルアーキテクチャ MCFFA-Netを提案する。また,抽出した特徴から複数の拡張された受容野を持つマルチスケールなコンテキスト情報をキャプチャする,新しいマルチスケール拡張残畳み込みモジュールを提案する。チャネルベースのアテンション機構は,MCFFA-Netをマルチ受信分野の関連情報に集中させるために,圧縮および励起ネットワークを通じて提供される。 MCFFA-Netの分類精度は90.86%である。

関連論文リスト

Mew: Multiplexed Immunofluorescence Image Analysis through an Efficient Multiplex Network [84.88767228835928]
マルチプレックスネットワークのレンズを通してmIF画像を効率的に処理する新しいフレームワークであるMewを紹介する。 Mew は、幾何学情報のための Voronoi ネットワークと、セルワイドの均一性を捉えるセル型ネットワークという、2つの異なる層からなる多重ネットワークを革新的に構築する。このフレームワークは、トレーニング中にグラフ全体を処理できるスケーラブルで効率的なグラフニューラルネットワーク(GNN)を備えている。
論文参考訳（メタデータ） (2024-07-25T08:22:30Z)
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)
Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
論文参考訳（メタデータ） (2023-07-19T15:19:02Z)
Adapter Learning in Pretrained Feature Extractor for Continual Learning of Diseases [66.27889778566734]
現在、インテリジェント診断システムには、デプロイされたばかりの新しい病気を継続的に診断する能力がない。特に、新しい疾患のトレーニングデータを用いたインテリジェント診断システムの更新は、古い疾患の知識を壊滅的に忘れてしまう可能性がある。 ACLと呼ばれるアダプタベースの連続学習フレームワークは、新しい病気の集合を効果的に学習するために提案されている。
論文参考訳（メタデータ） (2023-04-18T15:01:45Z)
Domain Invariant Model with Graph Convolutional Network for Mammogram Classification [49.691629817104925]
グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
論文参考訳（メタデータ） (2022-04-21T08:23:44Z)
MEDUSA: Multi-scale Encoder-Decoder Self-Attention Deep Neural Network Architecture for Medical Image Analysis [71.2022403915147]
医用画像解析に適したマルチスケールエンコーダデコーダ自己保持機構であるMEDUSAを紹介する。我々は、COVIDx、RSNA RICORD、RSNA Pneumonia Challengeなどの医療画像分析ベンチマークの最先端性能を得た。
論文参考訳（メタデータ） (2021-10-12T15:05:15Z)
A Multi-Plant Disease Diagnosis Method using Convolutional Neural Network [0.0]
本章では,複数植物の診断を併用した最適な植物病原体同定モデルについて検討する。我々は多くの一般的な畳み込みニューラルネットワーク(CNN)アーキテクチャを実装している。 Xception と DenseNet アーキテクチャは,マルチラベル植物病の分類タスクにおいて,より優れた性能を示した。
論文参考訳（メタデータ） (2020-11-10T15:18:52Z)
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)
Modern Hopfield Networks and Attention for Immune Repertoire Classification [8.488102471604908]
変換器アーキテクチャの注意機構は,現代のホップフィールドネットワークの更新規則であることを示す。計算生物学におけるMIL(Multiple Case Learning)の課題を解決するために,この高ストレージ容量を活用している。本稿では,トランスフォーマーのような注目,すなわちホップフィールドネットワークをディープラーニングアーキテクチャに統合する新しい手法であるDeepRCを提案する。
論文参考訳（メタデータ） (2020-07-16T20:35:46Z)
Deep Learning for Apple Diseases: Classification and Identification [0.5735035463793008]
病気や害虫は、毎年リンゴ産業に大きな経済的損失をもたらします。本研究では,リンゴ病の同定と分類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） (2020-07-06T18:08:58Z)

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。