論文の概要: Leveraging Pre-trained CNNs for Efficient Feature Extraction in Rice Leaf Disease Classification

• arxiv url: http://arxiv.org/abs/2405.00025v1
• Date: Mon, 26 Feb 2024 07:19:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 11:29:30.906479
• Title: Leveraging Pre-trained CNNs for Efficient Feature Extraction in Rice Leaf Disease Classification
• Title（参考訳）: イネ葉病分類における効率的な特徴抽出のための事前訓練CNNの活用
• Authors: Md. Shohanur Islam Sobuj, Md. Imran Hossen, Md. Foysal Mahmud, Mahbub Ul Islam Khan,
• Abstract要約: 我々は、事前訓練された畳み込みニューラルネットワーク(CNN)における特徴抽出手法の統合の影響を厳格に評価する。 オリエントグラディエント(HOG)のヒストグラムはアーキテクチャ全体で大幅に改善され、特にEfficientNet-B7の精度は92%から97%に向上した。 Grad-CAMは、HOG統合が疾患特異的な特徴への注意を高め、観察されたパフォーマンス向上を裏付けることを明らかにした。
• 参考スコア（独自算出の注目度）: 1.4874449172133892
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Rice disease classification is a critical task in agricultural research, and in this study, we rigorously evaluate the impact of integrating feature extraction methodologies within pre-trained convolutional neural networks (CNNs). Initial investigations into baseline models, devoid of feature extraction, revealed commendable performance with ResNet-50 and ResNet-101 achieving accuracies of 91% and 92%, respectively. Subsequent integration of Histogram of Oriented Gradients (HOG) yielded substantial improvements across architectures, notably propelling the accuracy of EfficientNet-B7 from 92\% to an impressive 97%. Conversely, the application of Local Binary Patterns (LBP) demonstrated more conservative performance enhancements. Moreover, employing Gradient-weighted Class Activation Mapping (Grad-CAM) unveiled that HOG integration resulted in heightened attention to disease-specific features, corroborating the performance enhancements observed. Visual representations further validated HOG's notable influence, showcasing a discernible surge in accuracy across epochs due to focused attention on disease-affected regions. These results underscore the pivotal role of feature extraction, particularly HOG, in refining representations and bolstering classification accuracy. The study's significant highlight was the achievement of 97% accuracy with EfficientNet-B7 employing HOG and Grad-CAM, a noteworthy advancement in optimizing pre-trained CNN-based rice disease identification systems. The findings advocate for the strategic integration of advanced feature extraction techniques with cutting-edge pre-trained CNN architectures, presenting a promising avenue for substantially augmenting the precision and effectiveness of image-based disease classification systems in agricultural contexts.
• Abstract（参考訳）: 水稲病の分類は農業研究において重要な課題であり、本研究では、事前に訓練された畳み込みニューラルネットワーク(CNN)における特徴抽出手法の統合の影響を厳格に評価する。 ResNet-50 と ResNet-101 でそれぞれ 91% と 92% の精度を達成した。 その後、Histogram of Oriented Gradients (HOG)が統合され、アーキテクチャ全体で大幅に改善され、特にEfficientNet-B7の精度は92\%から97%に向上した。 逆に、LBP(Local Binary Patterns)の適用により、より保守的なパフォーマンス向上が見られた。 さらに,Grad-CAM (Grad-CAM) を用いて,HOG統合により疾患特異的な特徴への注意が高まり,観察された性能向上の相関が示された。 視覚的表現はHOGの顕著な影響をさらに証明し、病気に罹患した地域に焦点を当てたため、エポック全体での精度の顕著な上昇を示した。 これらの結果から,特徴抽出,特にHOGは,表現の精製や分類精度の向上において重要な役割を担っている。 この研究の目玉は、HOGとGrad-CAMを用いたEfficientNet-B7による97%の精度の達成である。 本研究は, 最先端のCNNアーキテクチャによる高度な特徴抽出手法の戦略的統合を提唱し, 農業環境における画像ベース疾患分類システムの精度と有効性を大幅に向上する上で, 有望な道筋を示すものである。

関連論文リスト

• EfficientNet with Hybrid Attention Mechanisms for Enhanced Breast Histopathology Classification: A Comprehensive Approach [0.0]
  本稿では,ハイブリット・エフィシエント・ネットモデルと高度な注意機構を統合し,特徴抽出を強化し,重要な画像領域に焦点を当てた新しいアプローチを提案する。 利用可能な病理組織学データセットを用いて,複数の拡大スケールでモデルの性能を評価する。 その結果, 精度, F1スコア, 精度, リコールなどの指標を用いて評価し, 診断精度を向上させる上での本モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2024-10-29T17:56:05Z)
• Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
  DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。 特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
  論文  参考訳（メタデータ） (2024-09-23T17:11:04Z)
• Comparative Analysis of Transfer Learning Models for Breast Cancer Classification [10.677937909900486]
  本研究は, 病理組織学的スライドにおいて, 浸潤性直腸癌 (IDC) と非IDCを区別する深層学習モデルの効率について検討した。 ResNet-50, DenseNet-121, ResNeXt-50, Vision Transformer (ViT), GoogLeNet (Inception v3), EfficientNet, MobileNet, SqueezeNet。
  論文  参考訳（メタデータ） (2024-08-29T18:49:32Z)
• Class-specific Data Augmentation for Plant Stress Classification [8.433217399526521]
  本稿では,遺伝的アルゴリズムを用いたクラス固有の自動データ拡張手法を提案する。 葉に症状がみられるダイズ(Glycine max (L.) Merr)ストレス分類に対するアプローチの有用性を実証した。 本手法は,ダイズ葉のストレスデータセットにおいて,平均クラス毎の精度97.61%,全体的な精度98%を達成し,高い性能を示した。
  論文  参考訳（メタデータ） (2024-06-18T22:01:25Z)
• Leveraging Spatial and Semantic Feature Extraction for Skin Cancer Diagnosis with Capsule Networks and Graph Neural Networks [0.0]
  本研究では,グラフニューラルネットワーク(GNN)とCapsule Networksを統合して,分類性能を向上させるという,革新的なアプローチを提案する。 本稿では,Tiny Pyramid Vision GNN(Tiny Pyramid ViG)アーキテクチャをCapsule Networkに組み込んで評価・拡張することに焦点を当てた。 75回のトレーニングの後、我々のモデルは89.23%と95.52%に達し、既存のベンチマークを上回った。
  論文  参考訳（メタデータ） (2024-03-18T17:47:39Z)
• Does Synthetic Data Generation of LLMs Help Clinical Text Mining? [51.205078179427645]
  臨床テキストマイニングにおけるOpenAIのChatGPTの可能性を検討する。 本稿では,高品質な合成データを大量に生成する新たな学習パラダイムを提案する。 提案手法により,下流タスクの性能が大幅に向上した。
  論文  参考訳（メタデータ） (2023-03-08T03:56:31Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Rice Diseases Detection and Classification Using Attention Based Neural Network and Bayesian Optimization [10.07637392589791]
  水稲病はしばしば20～40%のコーパス生産損失を産出し、世界経済と密接に関連している。 そこで我々は,AIによる迅速かつ正確な疾患検出を実現するために,MobileNetの構造とアテンション機構に基づくADSNN-BOモデルを提案する。 モバイル対応の ADSNN-BO モデルは94.65% の精度を達成し,テスト対象のすべての最先端モデルを上回っている。
  論文  参考訳（メタデータ） (2022-01-03T22:26:00Z)
• To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
  弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。 擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。 十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
  論文  参考訳（メタデータ） (2021-09-04T02:45:22Z)
• How Knowledge Graph and Attention Help? A Quantitative Analysis into Bag-level Relation Extraction [66.09605613944201]
  バッグレベルの関係抽出(RE)における注意と知識グラフの効果を定量的に評価する。 その結果,(1)注目精度の向上は,エンティティ参照特徴を抽出するモデルの性能を損なう可能性があること,(2)注目性能は様々なノイズ分布パターンの影響が大きいこと,(3)KG強化された注目はRE性能を向上するが,その効果は注目度を向上させるだけでなく,先行するエンティティを組み込むことによっても改善することがわかった。
  論文  参考訳（メタデータ） (2021-07-26T09:38:28Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。