論文の概要: Leaf diseases detection using deep learning methods

• arxiv url: http://arxiv.org/abs/2501.00669v1
• Date: Tue, 31 Dec 2024 22:56:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:17:23.969345
• Title: Leaf diseases detection using deep learning methods
• Title（参考訳）: 深層学習を用いた難聴検出
• Authors: El Houcine El Fatimi,
• Abstract要約: 本稿では,効率的なネットワークアーキテクチャの同定と記述とともに,作物の葉の病原体検出のための新しい手法を提案する。 プレトレーニングモデルを用いた研究に加えて,植物葉病の同定と検出に有効なCNNに基づく新しいモデルを提案した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study, our main topic is to devlop a new deep-learning approachs for plant leaf disease identification and detection using leaf image datasets. We also discussed the challenges facing current methods of leaf disease detection and how deep learning may be used to overcome these challenges and enhance the accuracy of disease detection. Therefore, we have proposed a novel method for the detection of various leaf diseases in crops, along with the identification and description of an efficient network architecture that encompasses hyperparameters and optimization methods. The effectiveness of different architectures was compared and evaluated to see the best architecture configuration and to create an effective model that can quickly detect leaf disease. In addition to the work done on pre-trained models, we proposed a new model based on CNN, which provides an efficient method for identifying and detecting plant leaf disease. Furthermore, we evaluated the efficacy of our model and compared the results to those of some pre-trained state-of-the-art architectures.
• Abstract（参考訳）: 本研究の主なテーマは,葉のイメージデータセットを用いた葉の病原体同定と検出のための新しい深層学習アプローチを開発することである。 また,現状の葉病検出手法に直面する課題と,これらの課題を克服し,疾患検出の精度を高めるためにディープラーニングをどのように活用するかについても検討した。 そこで本研究では,作物の葉の病原性を検出するための新しい手法と,ハイパーパラメータと最適化手法を含む効率的なネットワークアーキテクチャの同定と記述を提案する。 異なるアーキテクチャの有効性を比較し評価し、最適なアーキテクチャ構成を確認し、葉の病気を迅速に検出できる効果的なモデルを構築した。 プレトレーニングモデルを用いた研究に加えて,植物葉病の同定と検出に有効なCNNに基づく新しいモデルを提案した。 さらに,本モデルの有効性を評価し,事前学習した最先端アーキテクチャと比較した。

関連論文リスト

• Small data deep learning methodology for in-field disease detection [6.2747249113031325]
  本稿では,ポテト作物の遅発症状を軽度に検出できる最初の機械学習モデルを提案する。 提案手法は, 焦点損失関数を持つ深部畳み込みニューラルネットワークをベースとした, パッチ方式による高分解能画像の高精細化を実現する。 本モデルでは, 早期症状の同定に高い精度と有効性を示した。
  論文  参考訳（メタデータ） (2024-09-25T17:31:17Z)
• A comprehensive review on Plant Leaf Disease detection using Deep learning [0.0]
  葉病は植物にとって致命的な病気である。 いくつかの自動システムは、様々な植物病理画像モダリティを用いて既に開発されている。 本稿では, 植物葉病の深層学習による診断のための葉病モデルに関する文献を体系的にレビューする。
  論文  参考訳（メタデータ） (2023-08-27T12:20:28Z)
• 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)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• 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)
• A fast accurate fine-grain object detection model based on YOLOv4 deep neural network [0.0]
  商業農場や果樹園における植物病の早期発見と予防は、精密農業技術の重要な特徴である。 本稿では,植物病の検出におけるいくつかの障害に対処する高性能なリアルタイム微粒物検出フレームワークを提案する。 提案するモデルは、You Only Look Once (YOLOv4)アルゴリズムの改良版に基づいて構築されている。
  論文  参考訳（メタデータ） (2021-10-30T17:56:13Z)
• SWP-LeafNET: A novel multistage approach for plant leaf identification based on deep CNN [1.9981375888949475]
  葉分類は、植物種の自動識別のためのコンピュータビジョンタスクである。 近年、研究者は深層学習に基づく手法に傾倒している。 本稿では,植物学者の行動が葉の識別においてモデル化され,行動類似度を最大化するための高効率な手法を提案する。
  論文  参考訳（メタデータ） (2020-09-10T20:28:57Z)
• 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)
• 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)
• Plant Disease Detection from Images [0.0]
  本研究は,植物の葉のイメージから植物に影響を及ぼす病気の種類を検出する深層学習モデルの構築に焦点をあてる。 このモデルは、転送学習を用いて作成され、resnet34とresnet50の両方で実験され、識別学習がより良い結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-05T02:17:36Z)

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。