論文の概要: Transfer Learning With Densenet201 Architecture Model For Potato Leaf Disease Classification

• arxiv url: http://arxiv.org/abs/2402.03347v1
• Date: Thu, 25 Jan 2024 03:58:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-11 15:38:53.955426
• Title: Transfer Learning With Densenet201 Architecture Model For Potato Leaf Disease Classification
• Title（参考訳）: densenet201アーキテクチャモデルを用いたポテト葉病分類のための転送学習
• Authors: Rifqi Alfinnur Charisma and Faisal Dharma Adhinata
• Abstract要約: 本研究では,DenseNet201アーキテクチャを用いたディープラーニング手法を提案する。 このモデルによる試験結果は、ジャガイモ葉病(92.5%)の分類に新たな精度をもたらした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Potato plants are plants that are beneficial to humans. Like other plants in general, potato plants also have diseases; if this disease is not treated immediately, there will be a significant decrease in food production. Therefore, it is necessary to detect diseases quickly and precisely so that disease control can be carried out effectively and efficiently. Classification of potato leaf disease can be done directly. Still, the symptoms cannot always explain the type of disease that attacks potato leaves because there are many types of diseases with symptoms that look the same. Humans also have deficiencies in determining the results of identification of potato leaf disease, so sometimes the results of identification between individuals can be different. Therefore, the use of Deep Learning for the classification process of potato leaf disease is expected to shorten the time and have a high classification accuracy. This study uses a deep learning method with the DenseNet201 architecture. The choice to use the DenseNet201 algorithm in this study is because the model can identify important features of potato leaves and recognize early signs of emerging diseases. This study aimed to evaluate the effectiveness of the transfer learning method with the DenseNet201 architecture in increasing the classification accuracy of potato leaf disease compared to traditional classification methods. This study uses two types of scenarios, namely, comparing the number of dropouts and comparing the three optimizers. This test produces the best model using dropout 0.1 and Adam optimizer with an accuracy of 99.5% for training, 95.2% for validation, and 96% for the confusion matrix. In this study, using data testing, as many as 40 images were tested into the model that has been built. The test results on this model resulted in a new accuracy for classifying potato leaf disease, namely 92.5%.
• Abstract（参考訳）: ジャガイモ植物は人間にとって有益な植物です。 他の植物と同様に、ポテト植物にも病気があり、この病気が直ちに治療されないと、食料生産が大幅に減少する。 そのため, 疾患の迅速かつ正確に検出し, 効果的かつ効果的に疾患のコントロールを行えるようにする必要がある。 ジャガイモの葉病の分類は直接行うことができる。 しかし、この症状はポテト葉を襲う病気の種類を必ずしも説明できない。 人間はまた、ジャガイモの葉病の特定結果を決定することにも欠陥があるため、個人間の識別結果が異なる場合もある。 したがって, ジャガイモ葉病の分類過程におけるDeep Learningの使用は, 時間を短縮し, 高い分類精度が期待できる。 本研究では,DenseNet201アーキテクチャを用いたディープラーニング手法を提案する。 この研究でDenseNet201アルゴリズムを使う選択は、ジャガイモの葉の重要な特徴を識別し、新しい病気の早期の兆候を認識できるためである。 本研究の目的は,従来の分類法と比較して,ジャガイモ葉病の分類精度を高めるために,DenseNet201アーキテクチャを用いた転写学習手法の有効性を評価することである。 本研究は2つのシナリオ,すなわち,ドロップアウト数の比較と3つのオプティマイザの比較を行う。 このテストは、トレーニングに99.5%、バリデーションに95.2%、混乱マトリックスに96%の精度でdropout 0.1とadam optimizerを用いた最良のモデルを生成する。 本研究では、データテストを用いて、構築されたモデルに最大40枚の画像がテストされた。 このモデルによる試験結果は、ジャガイモ葉病(92.5%)の分類に新たな精度をもたらした。

関連論文リスト

• 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)
• 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)
• Potato Leaf Disease Classification using Deep Learning: A Convolutional Neural Network Approach [0.0]
  コンボリューショナルニューラルネットワーク(CNN)は、ジャガイモの葉の病気を分類するために用いられる。 CNNモデルは、全体的な精度99.1%であり、2種類のジャガイモの葉の病気を同定するのに非常に正確である。
  論文  参考訳（メタデータ） (2023-11-04T07:16:37Z)
• 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)
• Rice paddy disease classifications using CNNs [0.0]
  米は世界有数の食料であるが、毎年大量の作物の収穫が病気によって失われている。 この問題に対処するため、人々は病気の診断を自動化する方法を模索してきた。 ここでは、モデルアーキテクチャとコンピュータビジョン技術の両方に対して、疾患分類精度がどのように敏感であるかを分析することによって、従来のモデリング作業を拡張した。
  論文  参考訳（メタデータ） (2023-03-15T07:31:06Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• 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)
• Leaf Image-based Plant Disease Identification using Color and Texture Features [0.1657441317977376]
  自己収集されたデータセットの精度は、病気の識別に82.47%、健康と疾患の分類に91.40%である。 このプロトタイプシステムは、より多くの病種を追加したり、特定の作物や病種をターゲットにすることで拡張することができる。
  論文  参考訳（メタデータ） (2021-02-08T20:32:56Z)
• 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)
• Deep Learning for Apple Diseases: Classification and Identification [0.5735035463793008]
  病気や害虫は、毎年リンゴ産業に大きな経済的損失をもたらします。 本研究では,リンゴ病の同定と分類のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-06T18:08:58Z)

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。