論文の概要: Enhancing Leaf Disease Classification Using GAT-GCN Hybrid Model

• arxiv url: http://arxiv.org/abs/2504.04764v1
• Date: Mon, 07 Apr 2025 06:31:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:14:35.045944
• Title: Enhancing Leaf Disease Classification Using GAT-GCN Hybrid Model
• Title（参考訳）: GAT-GCNハイブリッドモデルを用いた葉疾患分類の強化
• Authors: Shyam Sundhar, Riya Sharma, Priyansh Maheshwari, Suvidha Rupesh Kumar, T. Sunil Kumar,
• Abstract要約: 本研究では,葉病分類のためのグラフ注意ネットワーク(GAT)とグラフ畳み込みネットワーク(GCN)を組み合わせたハイブリッドモデルを提案する。 GCNはグラフ構造化データから学習するために広く使われており、GATは最も重要な隣人に焦点を当てるために注意機構を組み込むことによってこれを強化している。 エッジ拡張技術は、モデルの検知能力にかなりの一般化をもたらした。
• 参考スコア（独自算出の注目度）: 0.23301643766310373
• License:
• Abstract: Agriculture plays a critical role in the global economy, providing livelihoods and ensuring food security for billions. As innovative agricultural practices become more widespread, the risk of crop diseases has increased, highlighting the urgent need for efficient, low-intervention disease identification methods. This research presents a hybrid model combining Graph Attention Networks (GATs) and Graph Convolution Networks (GCNs) for leaf disease classification. GCNs have been widely used for learning from graph-structured data, and GATs enhance this by incorporating attention mechanisms to focus on the most important neighbors. The methodology integrates superpixel segmentation for efficient feature extraction, partitioning images into meaningful, homogeneous regions that better capture localized features. The authors have employed an edge augmentation technique to enhance the robustness of the model. The edge augmentation technique has introduced a significant degree of generalization in the detection capabilities of the model. To further optimize training, weight initialization techniques are applied. The hybrid model is evaluated against the individual performance of the GCN and GAT models and the hybrid model achieved a precision of 0.9822, recall of 0.9818, and F1-score of 0.9818 in apple leaf disease classification, a precision of 0.9746, recall of 0.9744, and F1-score of 0.9743 in potato leaf disease classification, and a precision of 0.8801, recall of 0.8801, and F1-score of 0.8799 in sugarcane leaf disease classification. These results demonstrate the robustness and performance of the model, suggesting its potential to support sustainable agricultural practices through precise and effective disease detection. This work is a small step towards reducing the loss of crops and hence supporting sustainable goals of zero hunger and life on land.
• Abstract（参考訳）: 農業は世界経済において重要な役割を担い、何十億もの食料の安全を確保している。 革新的な農業慣行が広まるにつれて、作物病のリスクが増大し、効率的で低干渉性疾患の特定方法への緊急の必要性が浮かび上がっている。 本研究では,葉病分類のためのグラフ注意ネットワーク(GAT)とグラフ畳み込みネットワーク(GCN)を組み合わせたハイブリッドモデルを提案する。 GCNはグラフ構造化データから学習するために広く使われており、GATは最も重要な隣人に焦点を当てるために注意機構を組み込むことによってこれを強化している。 この手法は、高効率な特徴抽出のためのスーパーピクセルセグメンテーションを統合し、画像を局所化された特徴をよりよく捉えた有意義で均質な領域に分割する。 著者らは、モデルの堅牢性を高めるためにエッジ拡張技術を採用している。 エッジ拡張技術は、モデルの検知能力にかなりの一般化をもたらした。 トレーニングをさらに最適化するために、重量初期化技術を適用した。 ハイブリッドモデルはGCNおよびGATモデルの個々の性能に対して評価し,リンゴ葉病分類では0.9822,リコール0.9818,F1スコア0.9818,ジャガイモ葉病分類では0.9746,リコール0.9744,F1スコア0.9743,サトウキビ葉病分類では0.8801,リコール0.8801,F1スコア0.8799を得た。 これらの結果は, モデルの有効性と性能を実証し, 正確かつ効果的な疾患検出を通じて, 持続可能な農業実践を支援する可能性を示唆している。 この作業は、作物の損失を減らすための小さなステップであり、したがって、飢餓と土地での生活をゼロにする持続可能な目標をサポートする。

関連論文リスト

• Fine-tuning is Not Fine: Mitigating Backdoor Attacks in GNNs with Limited Clean Data [51.745219224707384]
  グラフニューラルネットワーク(GNN)は,メッセージパッシング機構を通じて,優れたパフォーマンスを実現している。 最近の研究は、GNNのバックドア攻撃に対する脆弱性を強調している。 本稿では,実践的なバックドア緩和フレームワークである GraphNAD を提案する。
  論文  参考訳（メタデータ） (2025-01-10T10:16:35Z)
• Improved Cotton Leaf Disease Classification Using Parameter-Efficient Deep Learning Framework [0.0]
  綿花は「白金」と呼ばれ、重要な生産課題に直面している。 この課題に対処するために、ディープラーニングと機械学習の技術が研究されている。 我々はMobileNetからトレーニング可能なレイヤのサブセットを統合する革新的なディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-23T14:01:10Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Classification of Endoscopy and Video Capsule Images using CNN-Transformer Model [1.0994755279455526]
  本研究では、トランスフォーマーと畳み込みニューラルネットワーク(CNN)の利点を組み合わせて分類性能を向上させるハイブリッドモデルを提案する。 GastroVisionデータセットでは,精度,リコール,F1スコア,精度,マシューズ相関係数(MCC)が0.8320,0.8386,0.8324,0.8386,0.8191であった。
  論文  参考訳（メタデータ） (2024-08-20T11:05:32Z)
• A Channel Attention-Driven Hybrid CNN Framework for Paddy Leaf Disease Detection [0.0]
  作物の損失を回避し、栽培を改善するため、農業において早期かつ正確な病原体同定が重要である。 チャネルアテンション機構とSwish ReLUアクティベーション機能を備えた新しいハイブリッドディープラーニング(DL)分類器を提案する。 我々のモデルは99.76%のF1スコアと99.74%の精度を達成し、既存のモデルの性能を上回った。
  論文  参考訳（メタデータ） (2024-07-16T14:17:26Z)
• GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
  GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。 我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T14:58:27Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• An Efficient Insect Pest Classification Using Multiple Convolutional Neural Network Based Models [0.3222802562733786]
  昆虫の分類は、様々な種類、スケール、形状、フィールドの複雑な背景、昆虫種間の外観的類似性から難しい課題である。 本研究では、注目、特徴ピラミッド、きめ細かいモデルを含む、さまざまな畳み込みニューラルネットワークベースのモデルを提示する。 実験の結果、これらの畳み込みニューラルネットワークベースのモデルを組み合わせることで、これらの2つのデータセットの最先端の手法よりもパフォーマンスが向上することが示された。
  論文  参考訳（メタデータ） (2021-07-26T12:53:28Z)
• Comparisons of Graph Neural Networks on Cancer Classification Leveraging a Joint of Phenotypic and Genetic Features [7.381190270069632]
  各種グラフニューラルネットワーク(GNNs)を癌型分類のための表現型と遺伝的特徴の関節を用いて評価した。 GNN、ChebNet、GraphSAGE、TAGCNは最高のパフォーマンスを示し、GATは最悪のパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-01-14T20:53:49Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。