論文の概要: DS_FusionNet: Dynamic Dual-Stream Fusion with Bidirectional Knowledge Distillation for Plant Disease Recognition

• arxiv url: http://arxiv.org/abs/2504.20948v2
• Date: Wed, 30 Apr 2025 06:35:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.01179
• Title: DS_FusionNet: Dynamic Dual-Stream Fusion with Bidirectional Knowledge Distillation for Plant Disease Recognition
• Title（参考訳）: DS_FusionNet: 植物疾患認識のための双方向知識蒸留による動的デュアルストリーム融合
• Authors: Yanghui Song, Chengfu Yang,
• Abstract要約: 本研究では,動的デュアルストリーム融合ネットワーク(DS_FusionNet)を革新的に提案する。 このネットワークは、デュアルバックボーンアーキテクチャ、変形可能な動的融合モジュール、双方向知識蒸留戦略を統合している。 実験の結果,DS_FusionNet は PlantDisease と CIFAR-10 データセットの 10% しか使用せず,90% 以上の分類精度を達成した。
• 参考スコア（独自算出の注目度）: 5.665116885785105
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Given the severe challenges confronting the global growth security of economic crops, precise identification and prevention of plant diseases has emerged as a critical issue in artificial intelligence-enabled agricultural technology. To address the technical challenges in plant disease recognition, including small-sample learning, leaf occlusion, illumination variations, and high inter-class similarity, this study innovatively proposes a Dynamic Dual-Stream Fusion Network (DS_FusionNet). The network integrates a dual-backbone architecture, deformable dynamic fusion modules, and bidirectional knowledge distillation strategy, significantly enhancing recognition accuracy. Experimental results demonstrate that DS_FusionNet achieves classification accuracies exceeding 90% using only 10% of the PlantDisease and CIFAR-10 datasets, while maintaining 85% accuracy on the complex PlantWild dataset, exhibiting exceptional generalization capabilities. This research not only provides novel technical insights for fine-grained image classification but also establishes a robust foundation for precise identification and management of agricultural diseases.
• Abstract（参考訳）: 農作物のグローバルな成長の安全に直面する深刻な課題を考えると、植物病の正確な識別と予防は、人工知能による農業技術において重要な問題となっている。 本研究は,小サンプル学習,葉の排除,照明変化,クラス間類似度など,植物病の認識における技術的課題に対処するため,動的デュアルストリーム融合ネットワーク(DS_FusionNet)を革新的に提案する。 このネットワークは、デュアルバックボーンアーキテクチャ、変形可能な動的融合モジュール、双方向知識蒸留戦略を統合し、認識精度を大幅に向上させる。 実験の結果,DS_FusionNet は PlantDisease および CIFAR-10 データセットの 10% のみを用いて,90% 以上の分類精度を達成し,複雑な PlantWild データセットの 85% の精度を維持した。 本研究は, きめ細かな画像分類のための新しい技術的知見を提供するだけでなく, 農業病の正確な同定と管理のための堅牢な基盤も確立する。

関連論文リスト

• Explainability of Deep Learning-Based Plant Disease Classifiers Through Automated Concept Identification [0.0]
  本稿では,自動概念ベース説明法(ACE)を植物病の分類に適用する。 ACEは画像データに見られる視覚概念を自動的に識別し、モデル予測に影響を与える重要な特徴についての洞察を提供する。 本研究は, 深層学習に基づく植物病分類の解明可能性を高めるためのACEの可能性を示すものである。
  論文  参考訳（メタデータ） (2024-12-10T10:59:43Z)
• Enhancing Intrusion Detection in IoT Environments: An Advanced Ensemble Approach Using Kolmogorov-Arnold Networks [3.1309870454820277]
  本稿では,KAN(Kolmogorov-Arnold Networks)とXGBoostアルゴリズムを組み合わせたハイブリッド侵入検知システムを提案する。 提案したIDSは,学習可能なアクティベーション関数を用いてデータ内の複雑な関係をモデル化し,XGBoostの強力なアンサンブル学習手法と併用する。 実験により,我々のハイブリッドIDSは,良性行動と悪意行動の区別において,99%以上の精度で検出できることがわかった。
  論文  参考訳（メタデータ） (2024-08-28T15:58:49Z)
• Self-supervised transformer-based pre-training method with General Plant Infection dataset [3.969851116372513]
  本研究では、コントラスト学習とマスクド画像モデリング(MIM)を組み合わせた高度なネットワークアーキテクチャを提案する。 提案するネットワークアーキテクチャは,植物害虫や病原体認識タスクに対処し,優れた検出精度を実現する。 私たちのコードとデータセットは、植物害虫の研究と病気の認識を促進するために公開されます。
  論文  参考訳（メタデータ） (2024-07-20T15:48:35Z)
• Automatic Fused Multimodal Deep Learning for Plant Identification [1.2289361708127877]
  自動モーダル融合を用いた植物分類のための先駆的な多モードDLベースのアプローチを提案する。 本手法は,979クラスのMultimodal-PlantCLEFに対して82.61%の精度を達成し,最先端の手法を超越し,10.33%の遅れ融合を達成した。
  論文  参考訳（メタデータ） (2024-06-03T15:43:29Z)
• 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)
• Memory-efficient High-resolution OCT Volume Synthesis with Cascaded Amortized Latent Diffusion Models [48.87160158792048]
  本稿では,高分解能CTボリュームをメモリ効率よく合成できるCA-LDM(Cascaded amortized Latent diffusion model)を提案する。 公開高解像度OCTデータセットを用いた実験により、我々の合成データは、既存の手法の能力を超越した、現実的な高解像度かつグローバルな特徴を持つことが示された。
  論文  参考訳（メタデータ） (2024-05-26T10:58:22Z)
• Must: Maximizing Latent Capacity of Spatial Transcriptomics Data [41.70354088000952]
  本稿では,この課題に対処する新しい手法である MuST について述べる。 STデータに含まれるマルチモダリティ情報を一様潜在空間に効果的に統合し、下流の全てのタスクの基礎を提供する。 その結果, 組織やバイオマーカーの構造を正確に同定し, 保存する上で, 既存の最先端手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-15T09:07:28Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• Explainable vision transformer enabled convolutional neural network for plant disease identification: PlantXViT [11.623005206620498]
  植物病は世界の作物の損失の主な原因であり、世界経済に影響を及ぼす。 本研究では、植物病の同定のために、ビジョントランスフォーマーにより「PlantXViT」と呼ばれる畳み込みニューラルネットワークモデルが提案される。 提案したモデルは、わずか0.8万のトレーニング可能なパラメータを持つ軽量な構造であり、IoTベースのスマート農業サービスに適している。
  論文  参考訳（メタデータ） (2022-07-16T12:05:06Z)
• 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)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• Semi-Supervised StyleGAN for Disentanglement Learning [79.01988132442064]
  現在の解離法は、いくつかの固有の制限に直面している。 半教師付き高分解能ディスタングル学習のためのStyleGANに基づく新しいアーキテクチャと損失関数を設計する。
  論文  参考訳（メタデータ） (2020-03-06T22:54:46Z)

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。