Fugu-MT 論文翻訳(概要): Advancing Green AI: Efficient and Accurate Lightweight CNNs for Rice Leaf Disease Identification

論文の概要: Advancing Green AI: Efficient and Accurate Lightweight CNNs for Rice Leaf Disease Identification

arxiv url: http://arxiv.org/abs/2408.01752v1
Date: Sat, 3 Aug 2024 11:16:00 GMT
ステータス: 処理完了
システム内更新日: 2024-08-06 18:30:57.908240
Title: Advancing Green AI: Efficient and Accurate Lightweight CNNs for Rice Leaf Disease Identification
Title（参考訳）: グリーンAIの高度化:イネ葉病診断のための効率よく正確な軽量CNN
Authors: Khairun Saddami, Yudha Nurdin, Mutia Zahramita, Muhammad Shahreeza Safiruz,
Abstract要約: 米は世界の人口の半数以上にとって主要な食料源として重要な役割を担っている。本研究では,イネ葉病分類のための3つの移動型CNNアーキテクチャについて検討した。最高のパフォーマンスは、99.8%の精度でEfficientNet-B0モデルによって達成された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Rice plays a vital role as a primary food source for over half of the world's population, and its production is critical for global food security. Nevertheless, rice cultivation is frequently affected by various diseases that can severely decrease yield and quality. Therefore, early and accurate detection of rice diseases is necessary to prevent their spread and minimize crop losses. In this research, we explore three mobile-compatible CNN architectures, namely ShuffleNet, MobileNetV2, and EfficientNet-B0, for rice leaf disease classification. These models are selected due to their compatibility with mobile devices, as they demand less computational power and memory compared to other CNN models. To enhance the performance of the three models, we added two fully connected layers separated by a dropout layer. We used early stop creation to prevent the model from being overfiting. The results of the study showed that the best performance was achieved by the EfficientNet-B0 model with an accuracy of 99.8%. Meanwhile, MobileNetV2 and ShuffleNet only achieved accuracies of 84.21% and 66.51%, respectively. This study shows that EfficientNet-B0 when combined with the proposed layer and early stop, can produce a high-accuracy model. Keywords: rice leaf detection; green AI; smart agriculture; EfficientNet;
Abstract（参考訳）: 米は世界の人口の半数以上にとって主要な食料源として重要な役割を担い、その生産は世界の食料安全保障にとって重要な役割を担っている。それでも米の栽培は、収量や品質を著しく低下させる様々な病気の影響を受けやすい。そのため、イネ病の早期かつ正確な検出は、その拡散を防ぎ、収穫の損失を最小限に抑えるために必要である。本研究では,イネ葉病分類において,ShuffleNet,MobileNetV2,EfficientNet-B0の3つのモバイル対応CNNアーキテクチャについて検討する。これらのモデルは、他のCNNモデルに比べて計算能力やメモリが低いため、モバイルデバイスとの互換性のために選択される。 3つのモデルの性能を高めるために、ドロップアウト層で分離された2つの完全に接続された層を加えました。モデルの過度な適合を防ぐために、早期停止生成を使用しました。研究の結果、最高の性能は効率の良いNet-B0モデルで99.8%の精度で達成された。一方、MobileNetV2とShuffleNetはそれぞれ84.21%と66.51%のアキュラシーしか達成しなかった。本研究は,提案したレイヤと早期停止を組み合わせれば,高精度なモデルが得られることを示す。キーワード:イネの葉の検出、グリーンAI、スマート農業、効率ネット

関連論文リスト

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)
Analysis of Convolutional Neural Network-based Image Classifications: A Multi-Featured Application for Rice Leaf Disease Prediction and Recommendations for Farmers [0.0]
本研究では,8つの異なる畳み込みニューラルネットワーク(CNN)アルゴリズムを用いて,イネの病原性分類を改善する新しい方法を提案する。この最先端のアプリケーションの助けを借りて、農家はタイムリーでインフォームドな意思決定ができる。注目すべき結果は、ResNet-50の75%の精度、DenseNet121の90%の精度、VGG16の84%の精度、MobileNetV2の95.83%の精度、DenseNet169の91.61%の精度、InceptionV3の86%の精度である。
論文参考訳（メタデータ） (2024-09-17T05:32:01Z)
PanicleNeRF: low-cost, high-precision in-field phenotypingof rice panicles with smartphone [4.441945709704536]
PanicleNeRFは,スマートフォンを用いた現場における水稲パニックモデルの高精度かつ低コストな再構築を可能にする新しい手法である。結果: PanicleNeRFは2次元画像分割作業に効果的に対応し、平均F1スコアは86.9%、平均IoUは79.8%であった。本発明の方法は、米の育種効率を向上し、低コストでイネパニックの表現型化を図り得る方法である。
論文参考訳（メタデータ） (2024-08-04T15:01:16Z)
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)
PotatoPestNet: A CTInceptionV3-RS-Based Neural Network for Accurate Identification of Potato Pests [0.0]
本稿では,PotatoPestNet AIを用いた自動ポテト害虫識別システムを提案する。我々は5つのカスタマイズされた事前学習モデルを用いることで、トランスファー学習のパワーを生かした。モデルのうち、ランダム検索によって最適化されたCustomized Tuned Inception V3モデルは優れた性能を示した。
論文参考訳（メタデータ） (2023-05-27T17:38:16Z)
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)
Cross-Model Comparative Loss for Enhancing Neuronal Utility in Language Understanding [82.46024259137823]
幅広いタスクに対するクロスモデル比較損失を提案する。 3つの異なるNLUタスクから14のデータセットに対する広範な実験により比較損失の普遍的有効性を示す。
論文参考訳（メタデータ） (2023-01-10T03:04:27Z)
Publishing Efficient On-device Models Increases Adversarial Vulnerability [58.6975494957865]
本稿では,大規模モデルのオンデバイス版を公開する際のセキュリティ上の考慮事項について検討する。まず、敵がデバイス上のモデルを悪用し、大きなモデルを攻撃しやすくすることを示す。次に、フルスケールと効率的なモデルとの類似性が増加するにつれて、脆弱性が増加することを示す。
論文参考訳（メタデータ） (2022-12-28T05:05:58Z)
Network Augmentation for Tiny Deep Learning [73.57192520534585]
ニューラルネットワークの性能向上のための新しいトレーニング手法であるNetAug(Net Aug)を紹介する。画像分類と物体検出におけるNetAugの有効性を示す。
論文参考訳（メタデータ） (2021-10-17T18:48:41Z)
Effective Model Sparsification by Scheduled Grow-and-Prune Methods [73.03533268740605]
本稿では,高密度モデルの事前学習を伴わない新規なGrow-and-prune(GaP)手法を提案する。実験により、そのようなモデルは様々なタスクにおいて80%の間隔で高度に最適化された高密度モデルの品質に適合または打ち勝つことができることが示された。
論文参考訳（メタデータ） (2021-06-18T01:03:13Z)
Triple Wins: Boosting Accuracy, Robustness and Efficiency Together by Enabling Input-Adaptive Inference [119.19779637025444]
深層ネットワークは、(クリーンな自然画像の場合)正確さと(敵対的な摂動画像の場合)頑健さの相違に直面することを最近提案された。本稿では,入力適応推論に関連するマルチエグジットネットワークについて検討し,モデル精度,ロバスト性,効率の最適化において「スイートポイント」を達成する上での強い期待を示す。
論文参考訳（メタデータ） (2020-02-24T00:40:22Z)

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。