論文の概要: Explainability of Deep Learning-Based Plant Disease Classifiers Through Automated Concept Identification

• arxiv url: http://arxiv.org/abs/2412.07408v1
• Date: Tue, 10 Dec 2024 10:59:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:38:57.308750
• Title: Explainability of Deep Learning-Based Plant Disease Classifiers Through Automated Concept Identification
• Title（参考訳）: 概念自動同定による深層学習型植物病分類器の説明可能性
• Authors: Jihen Amara, Birgitta König-Ries, Sheeba Samuel,
• Abstract要約: 本稿では,自動概念ベース説明法(ACE)を植物病の分類に適用する。 ACEは画像データに見られる視覚概念を自動的に識別し、モデル予測に影響を与える重要な特徴についての洞察を提供する。 本研究は, 深層学習に基づく植物病分類の解明可能性を高めるためのACEの可能性を示すものである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: While deep learning has significantly advanced automatic plant disease detection through image-based classification, improving model explainability remains crucial for reliable disease detection. In this study, we apply the Automated Concept-based Explanation (ACE) method to plant disease classification using the widely adopted InceptionV3 model and the PlantVillage dataset. ACE automatically identifies the visual concepts found in the image data and provides insights about the critical features influencing the model predictions. This approach reveals both effective disease-related patterns and incidental biases, such as those from background or lighting that can compromise model robustness. Through systematic experiments, ACE helped us to identify relevant features and pinpoint areas for targeted model improvement. Our findings demonstrate the potential of ACE to improve the explainability of plant disease classification based on deep learning, which is essential for producing transparent tools for plant disease management in agriculture.
• Abstract（参考訳）: 深層学習はイメージベース分類による自動植物病検出を著しく進歩させてきたが、信頼性の高い疾患検出にはモデル説明可能性の向上が不可欠である。 本研究では、広く採用されているインセプションV3モデルとプラントVillageデータセットを用いて、自動概念ベース説明法(ACE)を植物病の分類に適用する。 ACEは画像データに見られる視覚概念を自動的に識別し、モデル予測に影響を与える重要な特徴についての洞察を提供する。 このアプローチは、モデルロバストネスを損なう可能性のある背景や照明など、効果的な疾患関連パターンと偶発バイアスの両方を明らかにする。 体系的な実験を通じて、ACEはターゲットモデル改善のための関連する特徴とピンポイント領域を特定するのに役立ちました。 本研究は,農業における植物病害管理ツールの透明化に欠かせない,深層学習に基づく植物病害分類の説明可能性を高めるためのACEの可能性を示すものである。

関連論文リスト

• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Gastrointestinal Disease Classification through Explainable and Cost-Sensitive Deep Neural Networks with Supervised Contrastive Learning [0.0]
  本稿では,コスト依存型事前学習型深層畳み込みニューラルネットワーク(CNN)アーキテクチャと教師付きコントラスト学習を活用することで,消化管疾患の分類に新たなアプローチを提案する。 本手法により, ネットワークは, 病原性の特徴を捉えた表現を学習し, サンプル間の類似性の関連性も考慮できる。
  論文  参考訳（メタデータ） (2023-07-14T19:56:30Z)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• Explainable vision transformer enabled convolutional neural network for plant disease identification: PlantXViT [11.623005206620498]
  植物病は世界の作物の損失の主な原因であり、世界経済に影響を及ぼす。 本研究では、植物病の同定のために、ビジョントランスフォーマーにより「PlantXViT」と呼ばれる畳み込みニューラルネットワークモデルが提案される。 提案したモデルは、わずか0.8万のトレーニング可能なパラメータを持つ軽量な構造であり、IoTベースのスマート農業サービスに適している。
  論文  参考訳（メタデータ） (2022-07-16T12:05:06Z)
• Feature Representation Learning for Robust Retinal Disease Detection from Optical Coherence Tomography Images [0.0]
  眼科画像は、異なる網膜変性疾患を区別する自動化技術で失敗する、同一の外観の病理を含んでいる可能性がある。 本研究では,3つの学習ヘッドを持つ堅牢な疾患検出アーキテクチャを提案する。 2つのOCTデータセットによる実験結果から,提案モデルが既存の最先端モデルよりも精度,解釈可能性,堅牢性に優れ,網膜外網膜疾患の検出に有用であることが示唆された。
  論文  参考訳（メタデータ） (2022-06-24T07:59:36Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Achieving Explainability for Plant Disease Classification with Disentangled Variational Autoencoders [0.0]
  分類タスクなどの意思決定で使用されるロジックや機能を知ることは、検証、アルゴリズムの改善、データ改善のトレーニング、知識抽出などにおいて非常に重要です。 我々は,最も重要な特徴の位置だけでなく,その特徴のどのバリエーションが使われているかを示す,変分オートエンコーダアーキテクチャに基づく分類手法を開発した。 提案手法は,いくつかの作物の病原性診断に有用であるが,他の作物にも適用可能である。
  論文  参考訳（メタデータ） (2021-02-05T10:04:00Z)
• Plant Diseases recognition on images using Convolutional Neural Networks: A Systematic Review [0.2793095554369281]
  植物病は、食品生産に影響を及ぼし、生産損失を最小化させる主要な要因の1つと考えられている。 深層学習法は植物病の検出に応用され、高い精度で堅牢なツールを提供する。 本研究は,植物病の同定・分類過程において,畳み込みニューラルネットワークを用いた技術の現状を明らかにすることを目的とした文献の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2020-09-09T15:36:04Z)
• 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。