論文の概要: Automated Tomato Maturity Estimation Using an Optimized Residual Model with Pruning and Quantization Techniques

• arxiv url: http://arxiv.org/abs/2503.10940v1
• Date: Thu, 13 Mar 2025 22:56:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:07:36.625739
• Title: Automated Tomato Maturity Estimation Using an Optimized Residual Model with Pruning and Quantization Techniques
• Title（参考訳）: プルーニングと量子化を併用した最適残留モデルを用いたトマト成熟度自動推定
• Authors: Muhammad Waseem, Chung-Hsuan Huang, Muhammad Muzzammil Sajjad, Laraib Haider Naqvi, Yaqoob Majeed, Tanzeel Ur Rehman, Tayyaba Nadeem,
• Abstract要約: トマトの成熟度は収穫時期の最適化と品質確保に重要な役割を果たしている。 既存のディープラーニングのアプローチは正確ではあるが、資源に制約のある農業環境での実践には計算的すぎることがしばしばある。 本研究では,移動学習,プルーニング,量子化技術によって最適化されたResNet-18アーキテクチャを用いて,計算効率の良いトマト分類モデルを構築することを目的とする。
• 参考スコア（独自算出の注目度）: 1.123910458133809
• License:
• Abstract: Tomato maturity plays a pivotal role in optimizing harvest timing and ensuring product quality, but current methods struggle to achieve high accuracy along computational efficiency simultaneously. Existing deep learning approaches, while accurate, are often too computationally demanding for practical use in resource-constrained agricultural settings. In contrast, simpler techniques fail to capture the nuanced features needed for precise classification. This study aims to develop a computationally efficient tomato classification model using the ResNet-18 architecture optimized through transfer learning, pruning, and quantization techniques. Our objective is to address the dual challenge of maintaining high accuracy while enabling real-time performance on low-power edge devices. Then, these models were deployed on an edge device to investigate their performance for tomato maturity classification. The quantized model achieved an accuracy of 97.81%, with an average classification time of 0.000975 seconds per image. The pruned and auto-tuned model also demonstrated significant improvements in deployment metrics, further highlighting the benefits of optimization techniques. These results underscore the potential for a balanced solution that meets the accuracy and efficiency demands of modern agricultural production, paving the way for practical, real-world deployment in resource-limited environments.
• Abstract（参考訳）: トマトの熟成度は収穫時期の最適化と製品品質の確保において重要な役割を担っているが、現在の手法は計算効率の両立に苦慮している。 既存のディープラーニングのアプローチは正確ではあるが、資源に制約のある農業環境での実践には計算的すぎることがしばしばある。 対照的に、より単純な手法は正確な分類に必要なニュアンスな特徴を捉えることができない。 本研究では,移動学習,プルーニング,量子化技術によって最適化されたResNet-18アーキテクチャを用いて,計算効率の良いトマト分類モデルを構築することを目的とする。 我々の目標は、低消費電力エッジデバイス上でのリアルタイム性能を実現しつつ、高い精度を維持するという2つの課題に対処することである。 次に,これらのモデルをエッジデバイスに配置し,トマトの成熟度分類の性能について検討した。 量子化モデルは97.81%の精度を達成し、平均分類時間は画像あたり0.000975秒であった。 プルーニングと自動チューニングのモデルでは、デプロイメントメトリクスも大幅に改善され、最適化テクニックのメリットが強調された。 これらの結果は、現代の農業生産の正確性と効率性の要求を満たすバランスのとれたソリューションの可能性を強調し、資源制限された環境における現実的な展開の道を開いた。

関連論文リスト

• QGAPHEnsemble : Combining Hybrid QLSTM Network Ensemble via Adaptive Weighting for Short Term Weather Forecasting [0.0]
  本研究は,高度な機械学習技術を用いた実践的有効性を強調した。 本モデルでは,気象予測の精度と信頼性が大幅に向上したことを示す。 本稿では,天気予報タスクの性能向上のために,最適化アンサンブル技術の重要性を強調した。
  論文  参考訳（メタデータ） (2025-01-18T20:18:48Z)
• The Efficiency vs. Accuracy Trade-off: Optimizing RAG-Enhanced LLM Recommender Systems Using Multi-Head Early Exit [46.37267466656765]
  本稿では,Retrieval-Augmented Generation(RAG)と革新的なマルチヘッドアーリーエグジットアーキテクチャを組み合わせた最適化フレームワークを提案する。 我々の実験は、信頼性の高いレコメンデーション配信に必要な精度を犠牲にすることなく、このアーキテクチャがいかに効果的に時間を削減するかを実証している。
  論文  参考訳（メタデータ） (2025-01-04T03:26:46Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• On Importance of Pruning and Distillation for Efficient Low Resource NLP [0.3958317527488535]
  大規模なトランスフォーマーモデルは自然言語処理に革命をもたらし、テキスト分類などのタスクが大幅に進歩した。 英語モデルの小型化と高速化が試みられているが、この領域の研究は低リソース言語では不十分である。 本研究では,低リソース・トピック・オール・docv2モデルをベースラインとして,計算時間とメモリ使用量を削減する最適化手法を提案する。
  論文  参考訳（メタデータ） (2024-09-21T14:58:12Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Towards Compute-Optimal Transfer Learning [82.88829463290041]
  我々は、事前訓練されたモデルのゼロショット構造化プルーニングにより、性能を最小限に抑えて計算効率を向上させることができると主張している。 その結果,事前訓練されたモデルの畳み込み畳み込みフィルタは,低計算条件下で20%以上の性能向上をもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2023-04-25T21:49:09Z)
• Hybrid quantum ResNet for car classification and its hyperparameter optimization [0.0]
  本稿では,量子インスパイアされたハイパーパラメータ最適化手法と,教師あり学習のためのハイブリッド量子古典機械学習モデルを提案する。 カーイメージ分類タスクにおいて,我々のアプローチを検証し,ハイブリッド量子ResNetモデルのフルスケール実装を実演する。 分類精度0.97は18イテレーションの後にハイブリッドモデルにより得られたが、古典モデルは75イテレーションの後に0.92の精度を達成した。
  論文  参考訳（メタデータ） (2022-05-10T13:25:36Z)
• Attentive Fine-Grained Structured Sparsity for Image Restoration [63.35887911506264]
  N:M 構造化プルーニングは,モデルの精度制約を効率的にするための効果的かつ実用的なプルーニング手法の1つである。 そこで本稿では, 各層におけるN:M構造化空間の刈り取り比を決定する新しい刈り取り法を提案する。
  論文  参考訳（メタデータ） (2022-04-26T12:44:55Z)
• Powerpropagation: A sparsity inducing weight reparameterisation [65.85142037667065]
  我々は、本質的にスパースモデルにつながるニューラルネットワークの新しい重みパラメータ化であるPowerpropagationを紹介した。 この方法で訓練されたモデルは同様の性能を示すが、0で明らかに高い密度の分布を持ち、より多くのパラメータを安全に刈り取ることができる。 ここでは、Powerpropagationと従来のウェイトプルーニング技術と、最近の最先端スパース・トゥ・スパースアルゴリズムを組み合わせることで、ImageNetベンチマークで優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-10-01T10:03:57Z)
• Less is More: Lighter and Faster Deep Neural Architecture for Tomato Leaf Disease Classification [0.36700088931938835]
  本研究は,トマト葉の病原体を検出するための,手軽な伝達学習に基づくアプローチを提案する。 効果的な前処理手法を用いて、照度補正による葉画像の高精細化を行い、分類を改良する。 提案アーキテクチャは99.30%の精度でモデルサイズ9.60MBと4.87M浮動小数点演算を実現している。
  論文  参考訳（メタデータ） (2021-09-06T12:14:02Z)
• Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
  本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。 レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
  論文  参考訳（メタデータ） (2020-08-02T02:56:30Z)

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。