Fugu-MT 論文翻訳(概要): Deep-Wide Learning Assistance for Insect Pest Classification

論文の概要: Deep-Wide Learning Assistance for Insect Pest Classification

arxiv url: http://arxiv.org/abs/2409.10445v1
Date: Mon, 16 Sep 2024 16:29:41 GMT
ステータス: 処理完了
システム内更新日: 2024-09-17 14:48:31.383591
Title: Deep-Wide Learning Assistance for Insect Pest Classification
Title（参考訳）: 昆虫害虫分類のためのディープウェイド学習支援システム
Authors: Toan Nguyen, Huy Nguyen, Huy Ung, Hieu Ung, Binh Nguyen,
Abstract要約: 昆虫害虫分類のための新しい学習支援であるDeWiについて紹介する。 1段階のトレーニング戦略と交互トレーニング戦略により、DeWiは同時に、いくつかの畳み込みニューラルネットワークを改善している。実験の結果,2つの害虫分類ベンチマークにおいて,DeWiが最も高い性能を示した。
参考スコア（独自算出の注目度）: 1.9912919001438378
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate insect pest recognition plays a critical role in agriculture. It is a challenging problem due to the intricate characteristics of insects. In this paper, we present DeWi, novel learning assistance for insect pest classification. With a one-stage and alternating training strategy, DeWi simultaneously improves several Convolutional Neural Networks in two perspectives: discrimination (by optimizing a triplet margin loss in a supervised training manner) and generalization (via data augmentation). From that, DeWi can learn discriminative and in-depth features of insect pests (deep) yet still generalize well to a large number of insect categories (wide). Experimental results show that DeWi achieves the highest performances on two insect pest classification benchmarks (76.44\% accuracy on the IP102 dataset and 99.79\% accuracy on the D0 dataset, respectively). In addition, extensive evaluations and ablation studies are conducted to thoroughly investigate our DeWi and demonstrate its superiority. Our source code is available at https://github.com/toannguyen1904/DeWi.
Abstract（参考訳）: 正確な害虫認識は農業において重要な役割を担っている。昆虫の複雑な特性のため、難しい問題である。本稿では,昆虫害虫分類のための新しい学習支援であるDeWiを紹介する。 1段階のトレーニング戦略と交互トレーニング戦略により、DeWiは同時に、(教師付きトレーニング方法でトリプルトマージン損失を最適化することによって)差別と(データ拡張による)一般化の2つの観点で、いくつかの畳み込みニューラルネットワークを改善している。そこからDeWiは、昆虫害虫(ディープ)の識別的・奥行き的な特徴を学べるが、それでも多くの昆虫カテゴリー(全体)によく浸透する。実験の結果、DeWiは2つの害虫分類ベンチマーク(IP102データセットでは76.44 %、D0データセットでは99.79 %)で最高性能を達成した。さらに,DeWiを徹底的に検討し,その優位性を示すため,広範囲な評価とアブレーション研究を行った。ソースコードはhttps://github.com/toannguyen1904/DeWi.comで公開されています。

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)
Insect-Foundation: A Foundation Model and Large-scale 1M Dataset for Visual Insect Understanding [15.383106771910274]
現在のマシンビジョンモデルは、高性能を達成するために大量のデータを必要とする。 Insect-1M"データセットは,昆虫に関する基礎モデルトレーニングに革命をもたらすことを意図したゲーム変更リソースである。私たちのデータセットは、昆虫の幅広い範囲をカバーしており、100万枚の画像を含む分類分類階層と昆虫の記載の密度の高い識別ラベルは、昆虫学のパノラマ的なビューを提供する。
論文参考訳（メタデータ） (2023-11-26T06:17:29Z)
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)
RoS-KD: A Robust Stochastic Knowledge Distillation Approach for Noisy Medical Imaging [67.02500668641831]
ノイズの多いデータセットでトレーニングされたディープラーニングモデルは、ノイズタイプに敏感であり、目に見えないサンプルの一般化が少なくなる。本稿では,複数の情報源からトピックを学習する概念を模倣したロバスト知識蒸留(RoS-KD)フレームワークを提案する。 RoS-KDは、訓練データの重複する部分集合について訓練された複数の教師から知識を蒸留することにより、滑らかで、よく表現された、堅牢な学生多様体を学習する。
論文参考訳（メタデータ） (2022-10-15T22:32:20Z)
High performing ensemble of convolutional neural networks for insect pest image detection [124.23179560022761]
害虫の寄生は作物の被害の主な原因であり、世界中の収入を失った。我々は異なるトポロジに基づいてCNNのアンサンブルを生成する。ディープネットワーク最適化のための2つの新しいAdamアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-08-28T00:49:11Z)
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)
Learning and Certification under Instance-targeted Poisoning [49.55596073963654]
インスタンスターゲット中毒攻撃におけるPAC学習性と認証について検討する。敵の予算がサンプルの複雑さに比例してスケールすると、PACの学習性と認定が達成可能であることを示す。実データセット上でのK近傍, ロジスティック回帰, 多層パーセプトロン, 畳み込みニューラルネットワークの堅牢性を実証的に検討する。
論文参考訳（メタデータ） (2021-05-18T17:48:15Z)
Curse or Redemption? How Data Heterogeneity Affects the Robustness of Federated Learning [51.15273664903583]
データの不均一性は、フェデレートラーニングにおける重要な特徴の1つとして認識されているが、しばしば敵対的攻撃に対する堅牢性のレンズで見過ごされる。本稿では, 複合学習におけるバックドア攻撃の影響を, 総合的な実験を通じて評価し, 理解することを目的とした。
論文参考訳（メタデータ） (2021-02-01T06:06:21Z)
One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。 2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
論文参考訳（メタデータ） (2020-12-14T10:44:22Z)
Weakly Supervised Learning Guided by Activation Mapping Applied to a Novel Citrus Pest Benchmark [6.239768930024569]
統合害虫管理(Integrated pest Management)は、シトラス作物の害虫や病気による被害を予防・緩和するために最も広く用いられるプロセスである。我々は、画像に対する関心領域を自動的に選択するために、サリエンシマップによって導かれる弱教師付き学習プロセスを設計する。 2つの大規模データセットで行った実験から,農業分野における害虫の分類と病気の分類の問題に対して,本研究の結果は非常に有望であることが明らかとなった。
論文参考訳（メタデータ） (2020-04-22T01:26:50Z)

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。