論文の概要: InsectMamba: Insect Pest Classification with State Space Model
- arxiv url: http://arxiv.org/abs/2404.03611v1
- Date: Thu, 4 Apr 2024 17:34:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-05 14:02:35.685686
- Title: InsectMamba: Insect Pest Classification with State Space Model
- Title（参考訳）: InsectMamba: 状態空間モデルによる昆虫害虫の分類
- Authors: Qianning Wang, Chenglin Wang, Zhixin Lai, Yucheng Zhou,
- Abstract要約: InsectMambaは、ステートスペースモデル(SSM)、畳み込みニューラルネットワーク(CNN)、マルチヘッド自己認識機構(MSA)、マルチレイヤパーセプトロン(MLP)をMix-SSMブロックに統合する新しいアプローチである。
5種類の害虫分類データセットの強い競争相手に対して評価された。
- 参考スコア（独自算出の注目度）: 8.470757741028661
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The classification of insect pests is a critical task in agricultural technology, vital for ensuring food security and environmental sustainability. However, the complexity of pest identification, due to factors like high camouflage and species diversity, poses significant obstacles. Existing methods struggle with the fine-grained feature extraction needed to distinguish between closely related pest species. Although recent advancements have utilized modified network structures and combined deep learning approaches to improve accuracy, challenges persist due to the similarity between pests and their surroundings. To address this problem, we introduce InsectMamba, a novel approach that integrates State Space Models (SSMs), Convolutional Neural Networks (CNNs), Multi-Head Self-Attention mechanism (MSA), and Multilayer Perceptrons (MLPs) within Mix-SSM blocks. This integration facilitates the extraction of comprehensive visual features by leveraging the strengths of each encoding strategy. A selective module is also proposed to adaptively aggregate these features, enhancing the model's ability to discern pest characteristics. InsectMamba was evaluated against strong competitors across five insect pest classification datasets. The results demonstrate its superior performance and verify the significance of each model component by an ablation study.
- Abstract（参考訳）: 昆虫害虫の分類は農業技術において重要な課題であり、食料の安全と環境の持続可能性を確保するのに不可欠である。
しかし、カモフラージュや種多様性などの要因による害虫の同定の複雑さは、重大な障害を引き起こす。
既存の方法は、近縁な害虫種を識別するために必要な微細な特徴抽出に苦慮している。
近年,ネットワーク構造の改良と深層学習の併用による精度向上が進んでいるが,害虫と周辺環境の類似性から課題が続いている。
InsectMambaは、状態空間モデル(SSM)、畳み込みニューラルネットワーク(CNN)、マルチヘッド自己保持機構(MSA)、マルチレイヤパーセプトロン(MLP)をミックスSSMブロックに統合する新しいアプローチである。
この統合により、各エンコーディング戦略の強みを活用することにより、包括的視覚特徴の抽出が容易になる。
また、これらの特徴を適応的に集約し、害虫の特性を識別する能力を高めるために、選択的モジュールも提案されている。
InsectMambaは5種の害虫分類データセットの強力な競合相手に対して評価された。
その結果, 優れた性能を示し, アブレーション実験により各モデル成分の意義を検証した。
関連論文リスト
- Artificial Immune System of Secure Face Recognition Against Adversarial Attacks [67.31542713498627]
昆虫生産には 最大限の可能性を実現するために 最適化が必要です
これは選択的育種による興味のある形質の改善が目的である。
このレビューは、様々な分野の知識と、動物の繁殖、定量的遺伝学、進化生物学、昆虫学のギャップを埋めるものである。
論文 参考訳（メタデータ） (2024-06-26T07:50:58Z) - Unleashing the Power of Transfer Learning Model for Sophisticated Insect Detection: Revolutionizing Insect Classification [0.520707246175575]
この研究では、MobileNetV2、ResNet152V2、Xecption、Custom CNNといったさまざまなモデルを使用します。
ResNet152V2アーキテクチャに基づく畳み込みニューラルネットワーク(CNN)の構築と評価を行った。
この結果は、昆虫の分類と昆虫学研究における現実世界の応用の可能性を強調している。
論文 参考訳（メタデータ） (2024-06-11T20:52:42Z) - Model Stealing Attack against Graph Classification with Authenticity,
Uncertainty and Diversity [85.1927483219819]
GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。
異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
論文 参考訳（メタデータ） (2023-12-18T05:42:31Z) - On the Robustness of Large Multimodal Models Against Image Adversarial
Attacks [81.2935966933355]
大規模マルチモーダルモデル(LMM)に対する視覚的敵攻撃の影響について検討する。
一般的に,LMMは視覚的逆入力に対して頑健ではない。
本稿では,クエリ分解と呼ばれる実世界の画像分類への新たなアプローチを提案する。
論文 参考訳（メタデータ） (2023-12-06T04:59:56Z) - Deep learning powered real-time identification of insects using citizen
science data [17.13608307250744]
InsectNetは、侵入した種を識別し、きめ細かい昆虫種を識別し、挑戦的な背景において効果的に働く。
また、不確実な場合には予測を控え、シームレスな人間の介入を助長し、実用的で信頼できるツールにもなれる。
論文 参考訳（メタデータ） (2023-06-04T23:56:53Z) - Trap-Based Pest Counting: Multiscale and Deformable Attention CenterNet
Integrating Internal LR and HR Joint Feature Learning [4.721069729610892]
本研究では,マルチスケール・デフォルマブル・アテンション・センターネットと呼ばれる新たな害虫カウントモデルを提案する。
提案モデルを用いて,HRヒートマップをより正確に生成し,害虫計数精度を向上させる。
実験結果から,提案モデルは,最先端の群集カウントや物体検出モデルよりも優れていた。
論文 参考訳（メタデータ） (2023-04-05T08:23:17Z) - Evaluation of the potential of Near Infrared Hyperspectral Imaging for
monitoring the invasive brown marmorated stink bug [53.682955739083056]
BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。
本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
論文 参考訳（メタデータ） (2023-01-19T11:37:20Z) - Clustering Effect of (Linearized) Adversarial Robust Models [60.25668525218051]
本稿では, 敵の強靭性に対する新たな理解を提案し, ドメイン適応や頑健性向上といったタスクに適用する。
提案したクラスタリング戦略の合理性と優越性を実験的に評価した。
論文 参考訳（メタデータ） (2021-11-25T05:51:03Z) - An Efficient Insect Pest Classification Using Multiple Convolutional
Neural Network Based Models [0.3222802562733786]
昆虫の分類は、様々な種類、スケール、形状、フィールドの複雑な背景、昆虫種間の外観的類似性から難しい課題である。
本研究では、注目、特徴ピラミッド、きめ細かいモデルを含む、さまざまな畳み込みニューラルネットワークベースのモデルを提示する。
実験の結果、これらの畳み込みニューラルネットワークベースのモデルを組み合わせることで、これらの2つのデータセットの最先端の手法よりもパフォーマンスが向上することが示された。
論文 参考訳（メタデータ） (2021-07-26T12:53:28Z) - Dynamic $\beta$-VAEs for quantifying biodiversity by clustering
optically recorded insect signals [0.6091702876917281]
本稿では,系統群によるデータのクラスタリングが可能な変分オートエンコーダ(VAE)の適応的変種を提案する。
南スカンジナビアの光記録昆虫信号に対する動的$beta$-VAEの有用性を実証した。
論文 参考訳（メタデータ） (2021-02-10T16:14:13Z) - 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。