論文の概要: Image Classification for CSSVD Detection in Cacao Plants

• arxiv url: http://arxiv.org/abs/2405.04535v1
• Date: Wed, 13 Mar 2024 17:16:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 10:40:42.740333
• Title: Image Classification for CSSVD Detection in Cacao Plants
• Title（参考訳）: カカオ植物におけるCSSVD検出のための画像分類
• Authors: Atuhurra Jesse, N'guessan Yves-Roland Douha, Pabitra Lenka,
• Abstract要約: カカオ増殖性シュートウイルス(CSSVD)を検出するために、画像分類器を訓練する研究のギャップがある。 我々のソリューションはVGG16, ResNet50, Vision Transformer (ViT) をベースとしている。 我々の最良の画像分類器は、95.39%の精度、93.75%のリコール、94.34%のF1スコア、94%の精度を20エポックで達成している。
• 参考スコア（独自算出の注目度）: 0.01874930567916036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The detection of diseases within plants has attracted a lot of attention from computer vision enthusiasts. Despite the progress made to detect diseases in many plants, there remains a research gap to train image classifiers to detect the cacao swollen shoot virus disease or CSSVD for short, pertinent to cacao plants. This gap has mainly been due to the unavailability of high quality labeled training data. Moreover, institutions have been hesitant to share their data related to CSSVD. To fill these gaps, we propose the development of image classifiers to detect CSSVD-infected cacao plants. Our proposed solution is based on VGG16, ResNet50 and Vision Transformer (ViT). We evaluate the classifiers on a recently released and publicly accessible KaraAgroAI Cocoa dataset. Our best image classifier, based on ResNet50, achieves 95.39\% precision, 93.75\% recall, 94.34\% F1-score and 94\% accuracy on only 20 epochs. There is a +9.75\% improvement in recall when compared to previous works. Our results indicate that the image classifiers learn to identify cacao plants infected with CSSVD.
• Abstract（参考訳）: 植物の病気の発見は、コンピュータービジョン愛好家から多くの注目を集めている。 多くの植物で病気を検出するための進歩にもかかわらず、カカオの肥大するシュートウイルス病(CSSVD)を検出するために画像分類器を訓練する研究のギャップは依然として残っている。 このギャップは主に、高品質なラベル付きトレーニングデータが利用できないためである。 さらに、機関はCSSVDに関するデータを共有することをためらっている。 これらのギャップを埋めるために,CSSVD感染カカオ植物を検出する画像分類器の開発を提案する。 提案手法はVGG16, ResNet50, Vision Transformer (ViT) に基づく。 我々は最近リリースされたKaraAgroAI Cocoaデータセットを用いて分類器の評価を行った。 ResNet50をベースとした最良の画像分類器は、95.39\%の精度、93.75\%のリコール、94.34\%のF1スコア、94\%の精度を20エポックで達成している。 以前の作品と比較して、リコールでは+9.75\%改善されている。 画像分類器はCSSVDに感染したカカオ植物を識別する。

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)
• 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)
• Unleashing Modified Deep Learning Models in Efficient COVID19 Detection [0.0]
  新型コロナウイルスの感染拡大に伴い、世界的な人口に影響を及ぼしている。 近年のDeep Learningのブレークスルーは、精度と迅速な検出のためのツールとして、COVID19の予測と予測を改善する可能性がある。 最も正確なモデルはMobileNet V3 (97.872%)、DenseNet201 (97.5677%)、GoogleNet Inception V1 (97.643%)である。
  論文  参考訳（メタデータ） (2023-10-21T18:24:23Z)
• Quantifying the Effect of Image Similarity on Diabetic Foot Ulcer Classification [4.318783737552881]
  本研究は,深層学習分類ネットワークを訓練する際の糖尿病性足底潰瘍データセットにおける視覚的に類似した画像の効果について検討する。 ディープラーニングアルゴリズムのトレーニングに使用されるデータセットにバイナリIDの重複画像が存在することは、ネットワーク性能を低下させる不必要なバイアスをもたらす可能性がある。 我々は、オープンソースのファジィアルゴリズムを使用して、2021年の糖尿病性フット潰瘍のトレーニングデータセットで、ますます類似した画像のグループを特定します。
  論文  参考訳（メタデータ） (2023-04-25T16:54:27Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• 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)
• DetCo: Unsupervised Contrastive Learning for Object Detection [64.22416613061888]
  教師なしのコントラスト学習は,CNNを用いた画像表現学習において大きな成功を収めている。 我々は,グローバルイメージとローカルイメージパッチのコントラストをフルに検討する,DetCoという新しいコントラスト学習手法を提案する。 DetCoは1倍のスケジュールでMask RCNN-C4/FPN/RetinaNet上で1.6/1.2/1.0 APで教師付き手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2021-02-09T12:47:20Z)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)
• 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)

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。