論文の概要: A Multi-Scale Feature Extraction and Fusion Deep Learning Method for Classification of Wheat Diseases

• arxiv url: http://arxiv.org/abs/2501.09938v1
• Date: Fri, 17 Jan 2025 03:29:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 14:00:22.500237
• Title: A Multi-Scale Feature Extraction and Fusion Deep Learning Method for Classification of Wheat Diseases
• Title（参考訳）: 小麦病の分類のための多段階特徴抽出と融合深層学習法
• Authors: Sajjad Saleem, Adil Hussain, Nabila Majeed, Zahid Akhtar, Kamran Siddique,
• Abstract要約: 本研究では,高度な画像分割技術とマルチスケール特徴抽出を統合し,分類精度を向上させる革新的な手法を提案する。 提案手法では、ニューラルネットワークモデルXception, Inception V3, ResNet 50を用いて、大規模小麦病分類データセット2020のトレーニングを行う。 本研究は,提案手法が小麦病の分類において,現在の最先端手法と比較して99.75%の精度で優れていることを示した。
• 参考スコア（独自算出の注目度）: 4.8117894377430925
• License:
• Abstract: Wheat is an important source of dietary fiber and protein that is negatively impacted by a number of risks to its growth. The difficulty of identifying and classifying wheat diseases is discussed with an emphasis on wheat loose smut, leaf rust, and crown and root rot. Addressing conditions like crown and root rot, this study introduces an innovative approach that integrates multi-scale feature extraction with advanced image segmentation techniques to enhance classification accuracy. The proposed method uses neural network models Xception, Inception V3, and ResNet 50 to train on a large wheat disease classification dataset 2020 in conjunction with an ensemble of machine vision classifiers, including voting and stacking. The study shows that the suggested methodology has a superior accuracy of 99.75% in the classification of wheat diseases when compared to current state-of-the-art approaches. A deep learning ensemble model Xception showed the highest accuracy.
• Abstract（参考訳）: 小麦は食物繊維とタンパク質の重要な供給源であり、その成長に対する多くのリスクによって負の影響を受けている。 コムギ病の同定と分類の難しさは, コムギのゆるみ, 葉のさび, クラウン, 根の腐りに重点を置いて論じる。 本研究は, クラウンや根腐といった条件に対処し, 高度な画像分割技術とマルチスケール特徴抽出を統合し, 分類精度を向上させる革新的な手法を提案する。 提案手法では、Xception、Inception V3、ResNet 50といったニューラルネットワークモデルを用いて、2020年の大規模な小麦病分類データセットと、投票や積み重ねを含む機械視覚分類器のアンサンブルをトレーニングする。 本研究は,提案手法が小麦病の分類において,現在の最先端手法と比較して99.75%の精度で優れていることを示した。 深層学習アンサンブルモデルXceptionは高い精度を示した。

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)
• Enhancing Plant Disease Detection: A Novel CNN-Based Approach with Tensor Subspace Learning and HOWSVD-MD [3.285994579445155]
  本稿では,トマト葉病の検出・分類のための最先端技術を紹介する。 本稿では,高次白色特異値分解(Higher-Order Whitened Singular Value Decomposition)と呼ばれる部分空間学習領域における高度なアプローチを提案する。 このイノベーティブな手法の有効性は、2つの異なるデータセットに関する包括的な実験を通じて厳密に検証された。
  論文  参考訳（メタデータ） (2024-05-30T13:46:56Z)
• 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)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• AMaizeD: An End to End Pipeline for Automatic Maize Disease Detection [0.0]
  AMaizeDは、ドローンから得られたマルチスペクトル画像を用いて、トウモロコシの作物の病気を早期に検出する自動化フレームワークである。 提案するフレームワークは,コンボリューションニューラルネットワーク(CNN)を特徴抽出器とセグメンテーション技術に組み合わせて,トウモロコシの植物とその関連疾患を同定する。
  論文  参考訳（メタデータ） (2023-07-23T19:58:40Z)
• 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)
• 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)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• 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)
• 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。