論文の概要: A Comprehensive Literature Review on Sweet Orange Leaf Diseases

• arxiv url: http://arxiv.org/abs/2312.01756v1
• Date: Mon, 4 Dec 2023 09:35:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 15:40:18.330250
• Title: A Comprehensive Literature Review on Sweet Orange Leaf Diseases
• Title（参考訳）: スイートオレンジリーフ病に関する総合文献レビュー
• Authors: Yousuf Rayhan Emon, Md Golam Rabbani, Dr. Md. Taimur Ahad, Faruk Ahmed
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.0177210416625115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sweet orange leaf diseases are significant to agricultural productivity. Leaf diseases impact fruit quality in the citrus industry. The apparition of machine learning makes the development of disease finder. Early detection and diagnosis are necessary for leaf management. Sweet orange leaf disease-predicting automated systems have already been developed using different image-processing techniques. This comprehensive literature review is systematically based on leaf disease and machine learning methodologies applied to the detection of damaged leaves via image classification. The benefits and limitations of different machine learning models, including Vision Transformer (ViT), Neural Network (CNN), CNN with SoftMax and RBF SVM, Hybrid CNN-SVM, HLB-ConvMLP, EfficientNet-b0, YOLOv5, YOLOv7, Convolutional, Deep CNN. These machine learning models tested on various datasets and detected the disease. This comprehensive review study related to leaf disease compares the performance of the models; those models' accuracy, precision, recall, etc., were used in the subsisting studies
• Abstract（参考訳）: 甘いオレンジの葉病は農業生産に重要である。 葉病はカンキツ産業の果実品質に影響を及ぼす。 機械学習の出現は、病気発見機の開発に繋がる。 葉管理には早期発見と診断が必要である。 sweet orange leaf disease-predicting automated systemsはすでに様々な画像処理技術を用いて開発されている。 本総括的文献レビューは、画像分類による損傷葉の検出に適用される葉病および機械学習手法を体系的に基礎としている。 Vision Transformer (ViT), Neural Network (CNN), CNN with SoftMax and RBF SVM, Hybrid CNN-SVM, HLB-ConvMLP, EfficientNet-b0, YOLOv5, YOLOv7, Convolutional, Deep CNNなど,さまざまな機械学習モデルのメリットと制限がある。 これらの機械学習モデルは、さまざまなデータセットでテストされ、病気を検出した。 葉病に関する包括的レビュー研究は, モデルの性能を比較したものであり, そのモデルの精度, 正確性, 想起性などについて検討した。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• 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)
• Virchow: A Million-Slide Digital Pathology Foundation Model [34.38679208931425]
  本稿では,コンピュータ病理学の基礎モデルであるVirchowを紹介する。 Virchowは、150万のヘマトキシリンとエオシン染色されたスライドイメージに基づいて、632万のパラメータをトレーニングしたビジョントランスフォーマーモデルである。
  論文  参考訳（メタデータ） (2023-09-14T15:09:35Z)
• 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)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• 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)
• 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)
• 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)
• 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)
• 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)

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。