Fugu-MT 論文翻訳(概要): Lesion Detection on Leaves using Class Activation Maps

論文の概要: Lesion Detection on Leaves using Class Activation Maps

arxiv url: http://arxiv.org/abs/2306.13366v1
Date: Fri, 23 Jun 2023 08:37:48 GMT
ステータス: 処理完了
システム内更新日: 2023-06-26 13:27:25.599911
Title: Lesion Detection on Leaves using Class Activation Maps
Title（参考訳）: クラスアクティベーションマップを用いた葉上の病変検出
Authors: Enes Sadi Uysal, Deniz Sen, Ahmet Haydar Ornek, Ahmet Emin Yetkin
Abstract要約: 植物葉の損傷検出は、植物病理学および農業研究において重要な課題である。本稿では,ResNet-18分類器が生成するクラスアクティベーションマップを用いた植物葉の病変検出手法を提案する。テストセットでは,葉の病変位置の予測において0.45成功率を達成した。
参考スコア（独自算出の注目度）: 0.5735035463793008
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Lesion detection on plant leaves is a critical task in plant pathology and agricultural research. Identifying lesions enables assessing the severity of plant diseases and making informed decisions regarding disease control measures and treatment strategies. To detect lesions, there are studies that propose well-known object detectors. However, training object detectors to detect small objects such as lesions can be problematic. In this study, we propose a method for lesion detection on plant leaves utilizing class activation maps generated by a ResNet-18 classifier. In the test set, we achieved a 0.45 success rate in predicting the locations of lesions in leaves. Our study presents a novel approach for lesion detection on plant leaves by utilizing CAMs generated by a ResNet classifier while eliminating the need for a lesion annotation process.
Abstract（参考訳）: 植物葉の損傷検出は植物病理学や農業研究において重要な課題である。病変の特定は、植物病の重症度を評価し、疾病対策や治療戦略に関する情報的判断を可能にする。病変を検出するために、よく知られた物体検出器を提案する研究がある。しかし、病変などの小さな物体を検出するための物体検出器の訓練は問題となる。本研究では,ResNet-18分類器によって生成されたクラスアクティベーションマップを用いた植物葉の病変検出手法を提案する。テストセットでは,葉の病変位置の予測において0.45成功率を達成した。本研究では,resnet分類器が生成するcamsを利用して,植物葉の病変検出のための新しい手法を提案する。

関連論文リスト

Multi-Class Plant Leaf Disease Detection: A CNN-based Approach with Mobile App Integration [0.0]
植物病は農業の生産性に大きな影響を及ぼし、経済的な損失と食料の安全を損なう。本研究では, 画像処理, 機械学習, 深層学習, 移動技術の統合に着目し, 植物病検出の最先端技術について検討する。植物葉の高分解能画像が捉えられ、畳み込みニューラルネットワーク(CNN)を用いて分析された。このモデルは、複数の作物や病気の種類を含む多様なデータセットに基づいて訓練され、98.14%の精度で診断された。
論文参考訳（メタデータ） (2024-08-26T07:16:41Z)
Visual Context-Aware Person Fall Detection [52.49277799455569]
画像中の個人とオブジェクトを半自動分離するセグメンテーションパイプラインを提案する。ベッド、椅子、車椅子などの背景オブジェクトは、転倒検知システムに挑戦し、誤ったポジティブアラームを引き起こす。トレーニング中のオブジェクト固有のコンテキスト変換が、この課題を効果的に軽減することを示す。
論文参考訳（メタデータ） (2024-04-11T19:06:36Z)
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)
Gravity Network for end-to-end small lesion detection [50.38534263407915]
本稿では,医療画像の小さな病変を特異的に検出するワンステージエンド・ツー・エンド検出器を提案する。小さな病変の正確な局在化は、その外観と、それらが見つかる様々な背景によって困難を呈する。この新たなアーキテクチャをGravityNetと呼び、新しいアンカーを重力点と呼ぶ。
論文参考訳（メタデータ） (2023-09-22T14:02:22Z)
A comprehensive review on Plant Leaf Disease detection using Deep learning [0.0]
葉病は植物にとって致命的な病気である。いくつかの自動システムは、様々な植物病理画像モダリティを用いて既に開発されている。本稿では, 植物葉病の深層学習による診断のための葉病モデルに関する文献を体系的にレビューする。
論文参考訳（メタデータ） (2023-08-27T12:20:28Z)
Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文参考訳（メタデータ） (2022-10-24T14:37:09Z)
Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文参考訳（メタデータ） (2021-12-20T13:29:13Z)
Reference-based Defect Detection Network [57.89399576743665]
最初の問題はテクスチャシフトであり、これはトレーニングされた欠陥検出モデルが目に見えないテクスチャの影響を受けやすいことを意味する。第2の問題は部分的な視覚的混乱であり、部分的な欠陥ボックスが完全なボックスと視覚的に類似していることを示している。本稿では,これら2つの問題に対処する参照型欠陥検出ネットワーク(RDDN)を提案する。
論文参考訳（メタデータ） (2021-08-10T05:44:23Z)
Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文参考訳（メタデータ） (2021-06-14T21:57:40Z)
Real-time Plant Health Assessment Via Implementing Cloud-based Scalable Transfer Learning On AWS DeepLens [0.8714677279673736]
植物葉病の検出・分類のための機械学習手法を提案する。私たちは、AWS SageMaker上でスケーラブルな転送学習を使用して、リアルタイムの実用的なユーザビリティのために、AWS DeepLensにインポートしています。果実や野菜の健康・不健康な葉の広範な画像データセットに関する実験では,植物葉病のリアルタイム診断で98.78%の精度を示した。
論文参考訳（メタデータ） (2020-09-09T05:23:34Z)
Plant Disease Detection from Images [0.0]
本研究は,植物の葉のイメージから植物に影響を及ぼす病気の種類を検出する深層学習モデルの構築に焦点をあてる。このモデルは、転送学習を用いて作成され、resnet34とresnet50の両方で実験され、識別学習がより良い結果をもたらすことを示す。
論文参考訳（メタデータ） (2020-03-05T02:17:36Z)

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。