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
- 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) - Image augmentation improves few-shot classification performance in plant
disease recognition [0.0]
各種データ強化手法の有効性を探求し, 植物画像の不足問題に対処する。
本稿では,多くの試行を通じて精度を一貫して向上させる,一連の異なる拡張手法を提案する。
論文 参考訳(メタデータ) (2022-08-25T00:53:19Z) - An Effective Leaf Recognition Using Convolutional Neural Networks Based
Features [1.137457877869062]
本稿では,葉の認識に有効な手法を提案する。
葉はいくつかの前処理を経て、精製された色画像、静脈像、xy投影ヒストグラム、手作りの形状、テクスチャの特徴、フーリエディスクリプタを抽出する。
これらの属性は、サポートベクターマシン(SVM)モデルを使用して異なる葉を分類する前に、ニューラルネットワークベースのエンコーダによってより良い表現に変換される。
論文 参考訳(メタデータ) (2021-08-04T02:02:22Z) - 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) - Fruit Quality and Defect Image Classification with Conditional GAN Data
Augmentation [2.6424021470496672]
微調整、トランスファーラーニング、ジェネレーションモデルに基づくトレーニングデータ拡張というアイデアを組み合わせた機械学習パイプラインを提案します。
畳み込み層に完全に接続された4096個のニューロンを付加すると、83.77%の画像分類精度が得られる。
そして,2000エポックの訓練データに基づいて条件付き生成型adversarial networkを訓練し,比較的現実的な画像を生成することを学ぶ。
論文 参考訳(メタデータ) (2021-04-12T17:13:05Z) - 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) - 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) - LeafGAN: An Effective Data Augmentation Method for Practical Plant
Disease Diagnosis [2.449909275410288]
LeafGANは、健康な画像からの変換によって、さまざまな病気の画像を生成する。
注意機構により、我々のモデルは様々な背景を持つ画像から関連領域のみを変換できる。
論文 参考訳(メタデータ) (2020-02-24T07:36:56Z)
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。