Fugu-MT 論文翻訳(概要): Evaluating Data Augmentation Techniques for Coffee Leaf Disease Classification

論文の概要: Evaluating Data Augmentation Techniques for Coffee Leaf Disease Classification

arxiv url: http://arxiv.org/abs/2401.05768v1
Date: Thu, 11 Jan 2024 09:22:36 GMT
ステータス: 処理完了
システム内更新日: 2024-01-12 15:26:41.750916
Title: Evaluating Data Augmentation Techniques for Coffee Leaf Disease Classification
Title（参考訳）: コーヒー葉病分類のためのデータ拡張技術の評価
Authors: Adrian Gheorghiu, Iulian-Marius T\u{a}iatu, Dumitru-Clementin Cercel, Iuliana Marin, Florin Pop
Abstract要約: 本稿では,RoCoLeデータセットを用いて,深層学習による画像からのコーヒー葉病の分類を行う。本研究は, トランスフォーマーモデル, オンライン強化, およびCycleGAN増強が葉病分類の改善に有効であることを示す。
参考スコア（独自算出の注目度）: 2.0892083471064407
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The detection and classification of diseases in Robusta coffee leaves are essential to ensure that plants are healthy and the crop yield is kept high. However, this job requires extensive botanical knowledge and much wasted time. Therefore, this task and others similar to it have been extensively researched subjects in image classification. Regarding leaf disease classification, most approaches have used the more popular PlantVillage dataset while completely disregarding other datasets, like the Robusta Coffee Leaf (RoCoLe) dataset. As the RoCoLe dataset is imbalanced and does not have many samples, fine-tuning of pre-trained models and multiple augmentation techniques need to be used. The current paper uses the RoCoLe dataset and approaches based on deep learning for classifying coffee leaf diseases from images, incorporating the pix2pix model for segmentation and cycle-generative adversarial network (CycleGAN) for augmentation. Our study demonstrates the effectiveness of Transformer-based models, online augmentations, and CycleGAN augmentation in improving leaf disease classification. While synthetic data has limitations, it complements real data, enhancing model performance. These findings contribute to developing robust techniques for plant disease detection and classification.
Abstract（参考訳）: ロブスタのコーヒー葉の病気の検出と分類は、植物が健康で作物の収量が高いことを保証するために不可欠である。しかし、この仕事は植物学的な知識と時間の浪費を必要とする。そのため、画像分類において、この課題や他の類似の課題が広く研究されている。葉病の分類に関して、ほとんどのアプローチはより一般的な植物プランジュデータセットを使用しており、ロブスタコーヒーリーフ(rocole)データセットのような他のデータセットを完全に無視している。 RoCoLeデータセットは不均衡であり、多くのサンプルを持っていないため、事前トレーニングされたモデルの微調整と複数の拡張テクニックを使用する必要がある。本論文は, コーヒー葉病の分類を画像から深層学習に応用し, セグメンテーションのためのピクス2ピクセルモデルと拡張のためのサイクル生成敵ネットワーク(CycleGAN)を取り入れた。本研究は, トランスフォーマーモデル, オンライン強化, およびCycleGANによる葉病分類の改善効果を示す。合成データには制限があるが、実際のデータを補完し、モデル性能を向上させる。これらの知見は、植物病の検出と分類のための堅牢な技術開発に寄与する。

関連論文リスト

The PV-ALE Dataset: Enhancing Apple Leaf Disease Classification Through Transfer Learning with Convolutional Neural Networks [0.0]
我々は、リンゴ葉病のクラスを追加して、広く使われているPlantVillageデータセットを拡張した。テストF1のスコアは99.63%、97.87%であった。
論文参考訳（メタデータ） (2024-10-29T19:30:22Z)
PND-Net: Plant Nutrition Deficiency and Disease Classification using Graph Convolutional Network [18.778641229886393]
本稿では,グラフ畳み込みネットワーク(GNN)を用いた植物栄養障害と疾患分類の新しい深層学習法を提案する。 The proposed method, called Plant Nutrition Deficiency and Disease Network (PND-Net) was evaluate on two public datasets for nutrition deficiency, and two for disease classification using four CNNs。
論文参考訳（メタデータ） (2024-10-16T17:01:28Z)
Unleashing the Potential of Synthetic Images: A Study on Histopathology Image Classification [0.12499537119440242]
病理組織像分類は様々な疾患の正確な同定と診断に重要である。合成画像は、既存のデータセットを効果的に増強し、最終的に下流の病理組織像分類タスクの性能を向上させることができることを示す。
論文参考訳（メタデータ） (2024-09-24T12:02:55Z)
High-Throughput Phenotyping using Computer Vision and Machine Learning [0.0]
我々はオークリッジ国立研究所が提供した1,672枚のPopulus Trichocarpaの画像と白ラベルで治療を行った。光文字認識(OCR)は、植物上でこれらのラベルを読むために用いられた。機械学習モデルを用いて,これらの分類に基づいて処理を予測し,解析されたEXIFタグを用いて葉の大きさと表現型間の相関を見いだした。
論文参考訳（メタデータ） (2024-07-08T19:46:31Z)
PotatoGANs: Utilizing Generative Adversarial Networks, Instance Segmentation, and Explainable AI for Enhanced Potato Disease Identification and Classification [0.0]
我々の研究は、PotatoGANsと呼ばれる新しいアプローチを採用している。 2種類のGANを用いて合成ポテト病画像を生成する。インセプションスコアを指標として,PotatoGANが生成した画像の品質と現実性を示す実験を行った。
論文参考訳（メタデータ） (2024-05-12T17:00:52Z)
PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。提案手法は画像とテキストデータを融合して生成プロセスを強化する。我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
論文参考訳（メタデータ） (2023-09-01T22:08:32Z)
Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文参考訳（メタデータ） (2023-04-18T15:39:58Z)
Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文参考訳（メタデータ） (2023-01-14T15:07:43Z)
Categorical Relation-Preserving Contrastive Knowledge Distillation for Medical Image Classification [75.27973258196934]
そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。 CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
論文参考訳（メタデータ） (2021-07-07T13:56:38Z)
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)
Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。