論文の概要: A Channel Attention-Driven Hybrid CNN Framework for Paddy Leaf Disease Detection

• arxiv url: http://arxiv.org/abs/2407.11753v1
• Date: Tue, 16 Jul 2024 14:17:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-17 14:42:40.497829
• Title: A Channel Attention-Driven Hybrid CNN Framework for Paddy Leaf Disease Detection
• Title（参考訳）: 水田葉病検出のためのチャネル注意駆動型ハイブリッドCNNフレームワーク
• Authors: Pandiyaraju V, Shravan Venkatraman, Abeshek A, Pavan Kumar S, Aravintakshan S A, Senthil Kumar A M, Kannan A,
• Abstract要約: 作物の損失を回避し、栽培を改善するため、農業において早期かつ正確な病原体同定が重要である。 チャネルアテンション機構とSwish ReLUアクティベーション機能を備えた新しいハイブリッドディープラーニング(DL)分類器を提案する。 我々のモデルは99.76%のF1スコアと99.74%の精度を達成し、既存のモデルの性能を上回った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Farmers face various challenges when it comes to identifying diseases in rice leaves during their early stages of growth, which is a major reason for poor produce. Therefore, early and accurate disease identification is important in agriculture to avoid crop loss and improve cultivation. In this research, we propose a novel hybrid deep learning (DL) classifier designed by extending the Squeeze-and-Excitation network architecture with a channel attention mechanism and the Swish ReLU activation function. The channel attention mechanism in our proposed model identifies the most important feature channels required for classification during feature extraction and selection. The dying ReLU problem is mitigated by utilizing the Swish ReLU activation function, and the Squeeze-andExcitation blocks improve information propagation and cross-channel interaction. Upon evaluation, our model achieved a high F1-score of 99.76% and an accuracy of 99.74%, surpassing the performance of existing models. These outcomes demonstrate the potential of state-of-the-art DL techniques in agriculture, contributing to the advancement of more efficient and reliable disease detection systems.
• Abstract（参考訳）: 農家は、成長初期のイネ葉の病原体を特定することに関して、様々な課題に直面している。 したがって、農業において作物の損失を回避し、栽培を改善するために、早期かつ正確な病原体同定が重要である。 本研究では,Squeeze-and-Excitationネットワークアーキテクチャを拡張し,チャネルアテンション機構とSwish ReLUアクティベーション機能を備えたハイブリッドディープラーニング(DL)分類器を提案する。 提案モデルにおけるチャネルアテンション機構は,特徴抽出と選択において,分類に必要な最も重要な特徴チャネルを特定する。 ダイイングReLU問題はSwishReLUアクティベーション機能を利用して緩和され、Squeeze-andExcitationブロックは情報伝搬とチャネル間相互作用を改善する。 評価では、F1スコア99.76%、精度99.74%を達成し、既存のモデルの性能を上回った。 これらの結果は、農業における最先端のDL技術の可能性を示し、より効率的で信頼性の高い疾患検出システムの進歩に寄与する。

関連論文リスト

• Automated Disease Diagnosis in Pumpkin Plants Using Advanced CNN Models [0.0]
  パンプキンは世界中で栽培される重要な作物であり、その生産力は特に発展途上国において食糧安全保障に不可欠である。 機械学習とディープラーニングの最近の進歩は、植物病検出の精度を自動化し改善するための有望なソリューションを提供する。 本稿では,カボチャ葉の病原体分類のための最先端の畳み込みニューラルネットワーク(CNN)モデルについて包括的解析を行った。
  論文  参考訳（メタデータ） (2024-09-29T14:31:23Z)
• Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
  アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。 我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。 本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T02:06:05Z)
• Optimizing Resource Consumption in Diffusion Models through Hallucination Early Detection [87.22082662250999]
  拡散過程の開始時に不正確な世代を迅速に検出する新しいパラダイムであるHEaD(Hallucination Early Detection)を導入する。 HEaDは計算資源を節約し,生成過程を高速化して完全な画像を得ることを示す。 その結果,HEaDは2つのオブジェクトのシナリオで生成時間の最大12%を節約できることがわかった。
  論文  参考訳（メタデータ） (2024-09-16T18:00:00Z)
• Early Detection of Coffee Leaf Rust Through Convolutional Neural Networks Trained on Low-Resolution Images [27.195033353775006]
  コーヒー葉のさびは、真菌のHemileia vastatrixによって引き起こされた葉病であり、コーヒー生産にとって大きな脅威となる。 早期疾患検出を強化するためのディープラーニングモデルは、広範囲な処理能力と大量のデータを必要とする。 本稿では,高域通過フィルタを用いたトレーニング画像のコントラスト向上を目的とした前処理手法を提案する。
  論文  参考訳（メタデータ） (2024-07-20T03:24:25Z)
• Crop Disease Classification using Support Vector Machines with Green Chromatic Coordinate (GCC) and Attention based feature extraction for IoT based Smart Agricultural Applications [0.0]
  植物病は農業栽培中の葉に悪影響を及ぼし、作物の生産量と経済的価値に大きな損失をもたらす。 各種機械学習(ML)と深層学習(DL)アルゴリズムが開発され,植物病の検出のための研究が行われている。 本稿では、注意に基づく特徴抽出、RGBチャネルに基づく色分析、SVM(Support Vector Machines)による性能向上による事前作業に基づく新しい分類手法を提案する。
  論文  参考訳（メタデータ） (2023-11-01T10:44:49Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• An Effective Scheme for Maize Disease Recognition based on Deep Networks [0.0]
  植物の病気は食品の安全性に影響を与え、農産物の品質と量を大幅に減少させる。 病気の正確かつタイムリーな診断には多くの課題がある。 本研究は、上記の課題を克服するために、ディープニューラルネットワークに基づく新しいスキームを提案する。
  論文  参考訳（メタデータ） (2022-05-09T12:37:11Z)
• 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)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。