論文の概要: Deep Learning for Plant Identification and Disease Classification from
Leaf Images: Multi-prediction Approaches
- arxiv url: http://arxiv.org/abs/2310.16273v1
- Date: Wed, 25 Oct 2023 01:06:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 17:31:03.726505
- Title: Deep Learning for Plant Identification and Disease Classification from
Leaf Images: Multi-prediction Approaches
- Title(参考訳): 葉画像からの植物同定と病因分類のための深層学習:マルチプレディションアプローチ
- Authors: Jianping Yao and Son N. Tran and Saurabh Garg and Samantha Sawyer
- Abstract要約: 本研究は,植物識別と病原性分類に関する最近の深層学習手法について調査する。
我々は、GSMo-CNN(Generalized Stacking Multi-output CNN)と呼ばれる新しいモデルを提案する。
提案したGSMo-CNNは,3つのベンチマークデータセット上で最先端のパフォーマンスを実現する。
- 参考スコア(独自算出の注目度): 14.73818032506552
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning plays an important role in modern agriculture, especially in
plant pathology using leaf images where convolutional neural networks (CNN) are
attracting a lot of attention. While numerous reviews have explored the
applications of deep learning within this research domain, there remains a
notable absence of an empirical study to offer insightful comparisons due to
the employment of varied datasets in the evaluation. Furthermore, a majority of
these approaches tend to address the problem as a singular prediction task,
overlooking the multifaceted nature of predicting various aspects of plant
species and disease types. Lastly, there is an evident need for a more profound
consideration of the semantic relationships that underlie plant species and
disease types. In this paper, we start our study by surveying current deep
learning approaches for plant identification and disease classification. We
categorise the approaches into multi-model, multi-label, multi-output, and
multi-task, in which different backbone CNNs can be employed. Furthermore,
based on the survey of existing approaches in plant pathology and the study of
available approaches in machine learning, we propose a new model named
Generalised Stacking Multi-output CNN (GSMo-CNN). To investigate the
effectiveness of different backbone CNNs and learning approaches, we conduct an
intensive experiment on three benchmark datasets Plant Village, Plant Leaves,
and PlantDoc. The experimental results demonstrate that InceptionV3 can be a
good choice for a backbone CNN as its performance is better than AlexNet,
VGG16, ResNet101, EfficientNet, MobileNet, and a custom CNN developed by us.
Interestingly, empirical results support the hypothesis that using a single
model can be comparable or better than using two models. Finally, we show that
the proposed GSMo-CNN achieves state-of-the-art performance on three benchmark
datasets.
- Abstract(参考訳): 深層学習は現代農業において重要な役割を担い、特に葉のイメージを用いた植物病理学では、畳み込みニューラルネットワーク(CNN)が注目を集めている。
この研究領域における深層学習の適用について多くのレビューが寄せられているが、評価に様々なデータセットが使用されているため、洞察に富んだ比較を行う実験的な研究は、いまだに存在しない。
さらに、これらのアプローチの大半は、植物種や病気の様々な側面を予測する多面的な性質を見越して、特異な予測課題としてこの問題に対処する傾向にある。
最後に、植物種と病気のタイプに根ざした意味関係について、より深い考察が必要であることは明らかである。
本稿では,植物識別と病原性分類に関する最近の深層学習アプローチを調査し,本研究に着手する。
我々は、異なるバックボーンCNNを使用できるマルチモデル、マルチラベル、マルチアウトプット、マルチタスクへのアプローチを分類する。
さらに、植物病理学における既存アプローチの調査と機械学習における利用可能なアプローチの研究に基づいて、GSMo-CNN(Generalized Stacking Multi-output CNN)と呼ばれる新しいモデルを提案する。
異なるバックボーンCNNと学習アプローチの有効性を検討するため,プラントビレッジ,植物葉,植物ドキュメンテーションの3つのベンチマークデータセットに対して集中的な実験を行った。
InceptionV3は、AlexNet、VGG16、ResNet101、EfficientNet、MobileNet、そして私たちが開発したカスタムCNNよりもパフォーマンスが良いため、バックボーンCNNにとって良い選択であることを示している。
興味深いことに、経験的な結果は、一つのモデルを使うことは2つのモデルを使用するよりも同等か良いという仮説を支持する。
最後に,提案するgsmo-cnnが3つのベンチマークデータセットで最先端のパフォーマンスを実現することを示す。
関連論文リスト
- Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳(メタデータ) (2023-12-03T13:50:24Z) - Deception Detection from Linguistic and Physiological Data Streams Using Bimodal Convolutional Neural Networks [19.639533220155965]
本稿では,畳み込み型ニューラルネットワークのマルチモーダルな騙し検出への応用について検討する。
2つのトピックについて104人の被験者にインタビューして構築したデータセットを使用します。
論文 参考訳(メタデータ) (2023-11-18T02:44:33Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Few-Shot Learning Enables Population-Scale Analysis of Leaf Traits in
Populus trichocarpa [1.9089478605920305]
この研究は、(i)最小のトレーニングデータを必要とする高速で正確な画像ベースの特徴抽出のための方法と、(ii)68種類の葉の表現型を含む新しい集団規模のデータセットを、ドメイン科学者や機械学習研究者向けに植物表現型コミュニティに提供するように設計されている。
数発の学習コード、データ、結果はすべて公開されています。
論文 参考訳(メタデータ) (2023-01-24T23:40:01Z) - Multi-level Data Representation For Training Deep Helmholtz Machines [0.0]
我々は,Human Image Perception 機構を用いて,複雑な検索空間において,Helmholtz Machine と呼ばれる生物学的に妥当な生成モデルの学習を指導する。
我々は,マルチレベルデータ表現を用いて,異なる解像度の視覚的キューをネットワークの隠蔽層に提供することで,この問題を解決することを提案する。
いくつかの画像データセットの結果は、モデルがより優れた全体的な品質を得るだけでなく、生成された画像のより広範な多様性を得ることができることを示した。
論文 参考訳(メタデータ) (2022-10-26T16:55:40Z) - 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) - 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) - SWP-LeafNET: A novel multistage approach for plant leaf identification
based on deep CNN [1.9981375888949475]
葉分類は、植物種の自動識別のためのコンピュータビジョンタスクである。
近年、研究者は深層学習に基づく手法に傾倒している。
本稿では,植物学者の行動が葉の識別においてモデル化され,行動類似度を最大化するための高効率な手法を提案する。
論文 参考訳(メタデータ) (2020-09-10T20:28:57Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z) - 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) - Improving Calibration and Out-of-Distribution Detection in Medical Image
Segmentation with Convolutional Neural Networks [8.219843232619551]
畳み込みニューラルネットワーク(CNN)は強力な医用画像分割モデルであることが示されている。
マルチタスク学習、すなわち、複数の異なるデータセット上で単一のモデルをトレーニングすることを提唱する。
一つのCNNが、文脈を自動的に認識し、各文脈における関心の組織を正確に区分することを学ぶだけでなく、そのようなジョイントモデルの方が、より正確でより良い校正された予測を持つことも示している。
論文 参考訳(メタデータ) (2020-04-12T23:42:51Z)
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。