論文の概要: JutePestDetect: An Intelligent Approach for Jute Pest Identification
Using Fine-Tuned Transfer Learning
- arxiv url: http://arxiv.org/abs/2308.05179v1
- Date: Sun, 28 May 2023 15:51:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 14:52:33.136694
- Title: JutePestDetect: An Intelligent Approach for Jute Pest Identification
Using Fine-Tuned Transfer Learning
- Title（参考訳）: JutePestDetect: 微調整変換学習を用いた害虫識別のためのインテリジェントアプローチ
- Authors: Md. Simul Hasan Talukder, Mohammad Raziuddin Chowdhury, Md Sakib Ullah
Sourav, Abdullah Al Rakin, Shabbir Ahmed Shuvo, Rejwan Bin Sulaiman, Musarrat
Saberin Nipun, Muntarin Islam, Mst Rumpa Islam, Md Aminul Islam, Zubaer Haque
- Abstract要約: アジアの一部の国では、Juteは害虫の寄生する傾向があり、一般的にバングラデシュ、インド、ミャンマー、中国などの国で識別される。
本研究では,早期にジュト害虫を同定するために,高性能かつレジリエントな転写学習(TL)に基づくJutePestDetectモデルを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In certain Asian countries, Jute is one of the primary sources of income and
Gross Domestic Product (GDP) for the agricultural sector. Like many other
crops, Jute is prone to pest infestations, and its identification is typically
made visually in countries like Bangladesh, India, Myanmar, and China. In
addition, this method is time-consuming, challenging, and somewhat imprecise,
which poses a substantial financial risk. To address this issue, the study
proposes a high-performing and resilient transfer learning (TL) based
JutePestDetect model to identify jute pests at the early stage. Firstly, we
prepared jute pest dataset containing 17 classes and around 380 photos per pest
class, which were evaluated after manual and automatic pre-processing and
cleaning, such as background removal and resizing. Subsequently, five prominent
pre-trained models -DenseNet201, InceptionV3, MobileNetV2, VGG19, and ResNet50
were selected from a previous study to design the JutePestDetect model. Each
model was revised by replacing the classification layer with a global average
pooling layer and incorporating a dropout layer for regularization. To evaluate
the models performance, various metrics such as precision, recall, F1 score,
ROC curve, and confusion matrix were employed. These analyses provided
additional insights for determining the efficacy of the models. Among them, the
customized regularized DenseNet201-based proposed JutePestDetect model
outperformed the others, achieving an impressive accuracy of 99%. As a result,
our proposed method and strategy offer an enhanced approach to pest
identification in the case of Jute, which can significantly benefit farmers
worldwide.
- Abstract（参考訳）: あるアジア諸国では、ジュートは農業部門の収入と国内総生産(gdp)の主要な源の1つである。
他の多くの作物と同様に、ジュテは害虫の媒介になりがちで、バングラデシュ、インド、ミャンマー、中国などの国では一般的に識別される。
さらに、この方法は時間がかかり、挑戦的であり、やや不正確であり、かなりの財政的リスクをもたらす。
この問題に対処するため,本研究では,早期にジュト害虫を同定する,高性能かつレジリエントな転写学習(TL)に基づくJutePestDetectモデルを提案する。
まず,17クラス,約380枚の写真を含むjute pestデータセットを作成し,手作業や自動前処理,背景除去やリサイズなどのクリーニングにより評価した。
その後、JutePestDetectモデルを設計するための先行研究から、DenseNet201、InceptionV3、MobileNetV2、VGG19、ResNet50の5つの著名な事前訓練モデルが選ばれた。
各モデルは, 分類層をグローバル平均プール層に置き換え, 正則化のためのドロップアウト層を組み込むことで, 再検討を行った。
モデルの性能を評価するために、精度、リコール、F1スコア、ROC曲線、混乱行列などの様々な指標を用いた。
これらの分析は、モデルの有効性を決定するための追加の洞察を与えた。
その中でも、DenseNet201ベースのカスタマイズされたJutePestDetectモデルは、他のモデルよりも優れ、99%の精度を実現した。
その結果, 提案手法と戦略は, 全世界の農家にとって有益であり, ジュテの場合, 害虫識別の高度化に寄与する。
関連論文リスト
- Small Effect Sizes in Malware Detection? Make Harder Train/Test Splits! [51.668411293817464]
業界関係者は、モデルが数億台のマシンにデプロイされているため、マルウェア検出精度の小さな改善に気を配っている。
学術研究はしばしば1万のサンプルの順序で公開データセットに制限される。
利用可能なサンプルのプールから難易度ベンチマークを生成するためのアプローチを考案する。
論文 参考訳（メタデータ） (2023-12-25T21:25:55Z) - An Efficient Transfer Learning-based Approach for Apple Leaf Disease
Classification [0.0]
本研究では, 移行学習に基づくリンゴ葉病の同定手法を提案する。
提案したパイプラインの能力は、公開されているPlanetVillageのデータセットから、リンゴの葉病サブセットに基づいて評価されている。
論文 参考訳（メタデータ） (2023-04-10T08:48:36Z) - General Greedy De-bias Learning [163.65789778416172]
本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。
GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
論文 参考訳（メタデータ） (2021-12-20T14:47:32Z) - A fast accurate fine-grain object detection model based on YOLOv4 deep
neural network [0.0]
商業農場や果樹園における植物病の早期発見と予防は、精密農業技術の重要な特徴である。
本稿では,植物病の検出におけるいくつかの障害に対処する高性能なリアルタイム微粒物検出フレームワークを提案する。
提案するモデルは、You Only Look Once (YOLOv4)アルゴリズムの改良版に基づいて構築されている。
論文 参考訳（メタデータ） (2021-10-30T17:56:13Z) - To be Critical: Self-Calibrated Weakly Supervised Learning for Salient
Object Detection [95.21700830273221]
弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。
擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。
十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
論文 参考訳（メタデータ） (2021-09-04T02:45:22Z) - 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) - An Efficient Insect Pest Classification Using Multiple Convolutional
Neural Network Based Models [0.3222802562733786]
昆虫の分類は、様々な種類、スケール、形状、フィールドの複雑な背景、昆虫種間の外観的類似性から難しい課題である。
本研究では、注目、特徴ピラミッド、きめ細かいモデルを含む、さまざまな畳み込みニューラルネットワークベースのモデルを提示する。
実験の結果、これらの畳み込みニューラルネットワークベースのモデルを組み合わせることで、これらの2つのデータセットの最先端の手法よりもパフォーマンスが向上することが示された。
論文 参考訳（メタデータ） (2021-07-26T12:53:28Z) - Pollen Grain Microscopic Image Classification Using an Ensemble of
Fine-Tuned Deep Convolutional Neural Networks [2.824133171517646]
花粉の微粒化を4つのカテゴリに分類するためのアンサンブル手法を提案する。
我々は、4つの最先端の微調整畳み込みニューラルネットワークの融合に基づく分類戦略を開発する。
我々は、ICPR 2020 Pollen Grain Classification Challengeトレーニングデータセットで94.48%の精度と重み付きF1スコア94.54%を得る。
論文 参考訳（メタデータ） (2020-11-15T01:25:46Z) - Multiclass Model for Agriculture development using Multivariate
Statistical method [2.1530718840070784]
この分類結果は, 現場で働く農業専門家から得られた結果に対して検証された。
提案した分類器は、100%精度、リコール、精度、0%エラー率を提供する。
論文 参考訳（メタデータ） (2020-09-12T13:09:52Z) - Distilling Object Detectors with Task Adaptive Regularization [97.52935611385179]
現在の最先端のオブジェクト検出器は高い計算コストを犠牲にしており、ローエンドデバイスへのデプロイが困難である。
より大規模な教師モデルから知識を伝達することで、より小さな学生ネットワークを訓練することを目的とした知識蒸留は、モデル小型化のための有望な解決策の1つである。
論文 参考訳（メタデータ） (2020-06-23T15:58:22Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳（メタデータ） (2020-06-08T07:24:33Z)
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。