論文の概要: Enhancing Cocoa Pod Disease Classification via Transfer Learning and Ensemble Methods: Toward Robust Predictive Modeling

• arxiv url: http://arxiv.org/abs/2504.12992v1
• Date: Thu, 17 Apr 2025 15:02:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:36:44.863304
• Title: Enhancing Cocoa Pod Disease Classification via Transfer Learning and Ensemble Methods: Toward Robust Predictive Modeling
• Title（参考訳）: 伝達学習とアンサンブル法によるココアポッド病分類の強化:ロバスト予測モデルに向けて
• Authors: Devina Anduyan, Nyza Cabillo, Navy Gultiano, Mark Phil Pacot,
• Abstract要約: 本研究では,移動学習を3つのアンサンブル学習戦略(bagging, Boosting, Stacking)と統合することにより,ココアポッド病分類のためのアンサンブルに基づくアプローチを提案する。 VGG16、VGG19、ResNet50、ResNet101、InceptionV3、Xceptionを含む事前訓練された畳み込みニューラルネットワークは、ブラックポッドロット、ポッドボラー、ヘルスの3つの疾患カテゴリを検出するためのベースラーナーとして微調整された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study presents an ensemble-based approach for cocoa pod disease classification by integrating transfer learning with three ensemble learning strategies: Bagging, Boosting, and Stacking. Pre-trained convolutional neural networks, including VGG16, VGG19, ResNet50, ResNet101, InceptionV3, and Xception, were fine-tuned and employed as base learners to detect three disease categories: Black Pod Rot, Pod Borer, and Healthy. A balanced dataset of 6,000 cocoa pod images was curated and augmented to ensure robustness against variations in lighting, orientation, and disease severity. The performance of each ensemble method was evaluated using accuracy, precision, recall, and F1-score. Experimental results show that Bagging consistently achieved superior classification performance with a test accuracy of 100%, outperforming Boosting (97%) and Stacking (92%). The findings confirm that combining transfer learning with ensemble techniques improves model generalization and reliability, making it a promising direction for precision agriculture and automated crop disease management.
• Abstract（参考訳）: 本研究では,移動学習を3つのアンサンブル学習戦略(bagging, Boosting, Stacking)と統合することにより,ココアポッド病分類のためのアンサンブルに基づくアプローチを提案する。 VGG16、VGG19、ResNet50、ResNet101、InceptionV3、Xceptionを含む事前訓練された畳み込みニューラルネットワークは、ブラックポッドロット、ポッドボラー、ヘルスの3つの疾患カテゴリを検出するためのベースラーナーとして微調整された。 6000枚のココアポッド画像のバランスのとれたデータセットをキュレートし、照明、方向、病気の重症度の変化に対して堅牢性を確保するために強化した。 各アンサンブル法の性能は,精度,精度,リコール,F1スコアを用いて評価した。 実験結果から, Bagging は試験精度100%, Boosting (97%) および Stacking (92%) よりも優れた分類性能を示した。 その結果,トランスファーラーニングとアンサンブル技術を組み合わせることで,モデルの一般化と信頼性が向上し,精密農業と自動作物病管理に有望な方向であることが確認された。

関連論文リスト

• Fruit Fly Classification (Diptera: Tephritidae) in Images, Applying Transfer Learning [8.700842317740943]
  本研究では,2種の果実ハエの自動分類のための移動学習モデルを開発した。 Inception-v3は、Anastrepha fraterculusとCeratitis capitataを分類するための効果的で複製可能なアプローチである。
  論文  参考訳（メタデータ） (2025-02-02T22:16:04Z)
• Comparative Analysis and Ensemble Enhancement of Leading CNN Architectures for Breast Cancer Classification [0.0]
  本研究は,病理組織像を用いた乳癌分類への新規かつ正確なアプローチを提案する。 さまざまな画像データセット間で、主要な畳み込みニューラルネットワーク(CNN)モデルを体系的に比較する。 そこで本研究では,スタンドアロンCNNモデルにおいて,例外的分類精度を実現するために必要な設定について検討した。
  論文  参考訳（メタデータ） (2024-10-04T11:31:43Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Enhancing Skin Lesion Diagnosis with Ensemble Learning [15.569484546674776]
  本研究では,HAM10000データセットを用いて皮膚病変の診断を支援する深層学習手法の実装について検討した。 分類精度をさらに高めるために,最大投票,平均投票,積み重ねを用いたアンサンブルモデルを開発し,0.803,0.82,0.83の精度を得た。 最適性能のアンサンブル学習モデルであるスタックリングに基づいて,カスタマイズアーキテクチャと微調整を取り入れたモデルであるSkinNetを開発し,0.867の精度と0.96のAUCを実現した。
  論文  参考訳（メタデータ） (2024-09-06T16:19:01Z)
• Explainability-Driven Leaf Disease Classification Using Adversarial Training and Knowledge Distillation [2.2823100315094624]
  本研究は, 植物葉病の分類に焦点を当て, 逆行訓練, モデル説明可能性, モデル圧縮の3つの重要な側面を探求する。 このロバスト性は、通常のテストでは3%-20%、敵攻撃テストでは50%-70%の性能低下を伴う分類精度の価格である。
  論文  参考訳（メタデータ） (2023-12-30T21:48:20Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• SSL-CPCD: Self-supervised learning with composite pretext-class discrimination for improved generalisability in endoscopic image analysis [3.1542695050861544]
  深層学習に基づく教師付き手法は医用画像解析において広く普及している。 大量のトレーニングデータと、目に見えないデータセットに対する一般的な問題に直面する必要がある。 本稿では,加法的角マージンを用いたパッチレベルのインスタンスグループ識別とクラス間変動のペナル化について検討する。
  論文  参考訳（メタデータ） (2023-05-31T21:28:08Z)
• 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)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
  弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。 擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。 十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
  論文  参考訳（メタデータ） (2021-09-04T02:45:22Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)

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。