論文の概要: A comprehensive review on Plant Leaf Disease detection using Deep learning

• arxiv url: http://arxiv.org/abs/2308.14087v1
• Date: Sun, 27 Aug 2023 12:20:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-29 16:55:07.184035
• Title: A comprehensive review on Plant Leaf Disease detection using Deep learning
• Title（参考訳）: 深層学習を用いた植物葉病検出に関する総合的考察
• Authors: Sumaya Mustofa, Md Mehedi Hasan Munna, Yousuf Rayhan Emon, Golam Rabbany, Md Taimur Ahad
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Leaf disease is a common fatal disease for plants. Early diagnosis and detection is necessary in order to improve the prognosis of leaf diseases affecting plant. For predicting leaf disease, several automated systems have already been developed using different plant pathology imaging modalities. This paper provides a systematic review of the literature on leaf disease-based models for the diagnosis of various plant leaf diseases via deep learning. The advantages and limitations of different deep learning models including Vision Transformer (ViT), Deep convolutional neural network (DCNN), Convolutional neural network (CNN), Residual Skip Network-based Super-Resolution for Leaf Disease Detection (RSNSR-LDD), Disease Detection Network (DDN), and YOLO (You only look once) are described in this review. The review also shows that the studies related to leaf disease detection applied different deep learning models to a number of publicly available datasets. For comparing the performance of the models, different metrics such as accuracy, precision, recall, etc. were used in the existing studies.
• Abstract（参考訳）: 葉病は植物にとって致命的な病気である。 植物の葉病の予後を改善するには,早期診断と診断が必要である。 葉の病気の予測には, 植物病理画像を用いたいくつかの自動システムの開発がすでに行われている。 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。 Vision Transformer (ViT), Deep Convolutional Neural Network (DCNN), Convolutional Neural Network (CNN), Residual Skip Network-based Super-Resolution for Leaf Disease Detection (RSNSR-LDD), Disease Detection Network (DDN), YOLO (You only look once)など,さまざまなディープラーニングモデルの長所と短所を概説する。 レビューでは、葉の病気検出に関する研究が、さまざまなディープラーニングモデルから多くの公開データセットに適用されたことも示している。 モデルの性能を比較するために、既存の研究では精度、精度、リコールなど様々な指標が用いられた。

関連論文リスト

• A Comprehensive Literature Review on Sweet Orange Leaf Diseases [3.0177210416625115]
  葉の病気はキツネ産業の果実の品質に影響を及ぼす。 葉の早期発見と診断は葉の管理に必要である。 葉病に関する総合的なレビュー研究は, モデルの性能を比較した。
  論文  参考訳（メタデータ） (2023-12-04T09:35:21Z)
• 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)
• Explainable vision transformer enabled convolutional neural network for plant disease identification: PlantXViT [11.623005206620498]
  植物病は世界の作物の損失の主な原因であり、世界経済に影響を及ぼす。 本研究では、植物病の同定のために、ビジョントランスフォーマーにより「PlantXViT」と呼ばれる畳み込みニューラルネットワークモデルが提案される。 提案したモデルは、わずか0.8万のトレーニング可能なパラメータを持つ軽量な構造であり、IoTベースのスマート農業サービスに適している。
  論文  参考訳（メタデータ） (2022-07-16T12:05:06Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• 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)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)
• The Plant Pathology 2020 challenge dataset to classify foliar disease of apples [0.0]
  米国のリンゴ果樹園は、多くの病原体や昆虫から常に脅威にさらされている。病気管理の適正かつタイムリーな展開は、早期の疾患検出に依存している。 我々は,複数のリンゴ葉病の高画質・実生症状画像3,651枚を手作業で取得した。 リンゴの皮、スギのリンゴのさび、健康な葉のパイロットデータセットを作成するために専門家が注釈を付けたサブセットが、Kaggleコミュニティの'Plant Pathology Challenge'で利用可能になった。
  論文  参考訳（メタデータ） (2020-04-24T19:36:37Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。