Fugu-MT 論文翻訳(概要): The PV-ALE Dataset: Enhancing Apple Leaf Disease Classification Through Transfer Learning with Convolutional Neural Networks

論文の概要: The PV-ALE Dataset: Enhancing Apple Leaf Disease Classification Through Transfer Learning with Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2410.22490v1
Date: Tue, 29 Oct 2024 19:30:22 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-31 14:27:52.331100
Title: The PV-ALE Dataset: Enhancing Apple Leaf Disease Classification Through Transfer Learning with Convolutional Neural Networks
Title（参考訳）: PV-ALEデータセット:畳み込みニューラルネットワークを用いた伝達学習によるAppleの葉病分類の強化
Authors: Joseph Damilola Akinyemi, Kolawole John Adebayo,
Abstract要約: 我々は、リンゴ葉病のクラスを追加して、広く使われているPlantVillageデータセットを拡張した。テストF1のスコアは99.63%、97.87%であった。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: As the global food security landscape continues to evolve, the need for accurate and reliable crop disease diagnosis has never been more pressing. To address global food security concerns, we extend the widely used PlantVillage dataset with additional apple leaf disease classes, enhancing diversity and complexity. Experimental evaluations on both original and extended datasets reveal that existing models struggle with the new additions, highlighting the need for more robust and generalizable computer vision models. Test F1 scores of 99.63% and 97.87% were obtained on the original and extended datasets, respectively. Our study provides a more challenging and diverse benchmark, paving the way for the development of accurate and reliable models for identifying apple leaf diseases under varying imaging conditions. The expanded dataset is available at https://www.kaggle.com/datasets/akinyemijoseph/apple-leaf-disease-dataset-6-classes-v2 enabling future research to build upon our findings.
Abstract（参考訳）: 世界の食料安全保障の状況が発展を続ける中、正確で信頼性の高い作物病の診断の必要性は、これまで以上に迫られてきた。グローバルな食品セキュリティの懸念に対処するため、広く使われているPlantVillageデータセットを、リンゴの葉病のクラスを追加して拡張し、多様性と複雑さを高めます。オリジナルのデータセットと拡張データセットの両方の実験的な評価は、既存のモデルが新しい追加に苦労していることを示し、より堅牢で一般化可能なコンピュータビジョンモデルの必要性を強調している。テストF1のスコアは99.63%と97.87%で、それぞれオリジナルのデータセットと拡張データセットで得られた。我々の研究は、より困難で多様なベンチマークを提供し、様々な画像条件下でリンゴの葉病を識別するための正確で信頼性の高いモデルを開発するための道を開く。拡張データセットはhttps://www.kaggle.com/datasets/akinyemijoseph/apple-leaf-disease-dataset-dataset-v2で公開されている。

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)
Evaluating Data Augmentation Techniques for Coffee Leaf Disease Classification [2.0892083471064407]
本稿では,RoCoLeデータセットを用いて,深層学習による画像からのコーヒー葉病の分類を行う。本研究は, トランスフォーマーモデル, オンライン強化, およびCycleGAN増強が葉病分類の改善に有効であることを示す。
論文参考訳（メタデータ） (2024-01-11T09:22:36Z)
Generative models improve fairness of medical classifiers under distribution shifts [49.10233060774818]
データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
論文参考訳（メタデータ） (2023-04-18T18:15:38Z)
An Efficient Transfer Learning-based Approach for Apple Leaf Disease Classification [0.0]
本研究では, 移行学習に基づくリンゴ葉病の同定手法を提案する。提案したパイプラインの能力は、公開されているPlanetVillageのデータセットから、リンゴの葉病サブセットに基づいて評価されている。
論文参考訳（メタデータ） (2023-04-10T08:48:36Z)
Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文参考訳（メタデータ） (2023-01-14T15:07:43Z)
Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文参考訳（メタデータ） (2022-04-22T17:27:00Z)
Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。モデルがサブセット固有の知識の学習に集中するように強制する。提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文参考訳（メタデータ） (2021-04-22T13:39:33Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Deep Learning for Apple Diseases: Classification and Identification [0.5735035463793008]
病気や害虫は、毎年リンゴ産業に大きな経済的損失をもたらします。本研究では,リンゴ病の同定と分類のための深層学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-07-06T18:08:58Z)
The Plant Pathology 2020 challenge dataset to classify foliar disease of apples [0.0]
米国のリンゴ果樹園は、多くの病原体や昆虫から常に脅威にさらされている。病気管理の適正かつタイムリーな展開は、早期の疾患検出に依存している。我々は,複数のリンゴ葉病の高画質・実生症状画像3,651枚を手作業で取得した。リンゴの皮、スギのリンゴのさび、健康な葉のパイロットデータセットを作成するために専門家が注釈を付けたサブセットが、Kaggleコミュニティの'Plant Pathology Challenge'で利用可能になった。
論文参考訳（メタデータ） (2020-04-24T19:36:37Z)

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。