論文の概要: Local Herb Identification Using Transfer Learning: A CNN-Powered Mobile Application for Nepalese Flora

• arxiv url: http://arxiv.org/abs/2505.02147v1
• Date: Sun, 04 May 2025 15:14:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.451085
• Title: Local Herb Identification Using Transfer Learning: A CNN-Powered Mobile Application for Nepalese Flora
• Title（参考訳）: トランスファーラーニングを用いたローカルハーブ同定:ネパールの植物植物に対するCNNを利用したモバイルアプリケーション
• Authors: Prajwal Thapa, Mridul Sharma, Jinu Nyachhyon, Yagya Raj Pandeya,
• Abstract要約: ハーブ分類は、特にネパールのような豊かな生物多様性を持つ地域では、植物研究において重要な課題である。 本研究では,畳み込みニューラルネットワーク(CNN)と伝達学習技術を用いて,60種の草本を分類するための新しい深層学習手法を提案する。
• 参考スコア（独自算出の注目度）: 0.4660328753262075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Herb classification presents a critical challenge in botanical research, particularly in regions with rich biodiversity such as Nepal. This study introduces a novel deep learning approach for classifying 60 different herb species using Convolutional Neural Networks (CNNs) and transfer learning techniques. Using a manually curated dataset of 12,000 herb images, we developed a robust machine learning model that addresses existing limitations in herb recognition methodologies. Our research employed multiple model architectures, including DenseNet121, 50-layer Residual Network (ResNet50), 16-layer Visual Geometry Group Network (VGG16), InceptionV3, EfficientNetV2, and Vision Transformer (VIT), with DenseNet121 ultimately demonstrating superior performance. Data augmentation and regularization techniques were applied to mitigate overfitting and enhance the generalizability of the model. This work advances herb classification techniques, preserving traditional botanical knowledge and promoting sustainable herb utilization.
• Abstract（参考訳）: ハーブ分類は、特にネパールのような豊かな生物多様性を持つ地域では、植物研究において重要な課題である。 本研究では,畳み込みニューラルネットワーク(CNN)と伝達学習技術を用いて,60種の草本を分類するための新しい深層学習手法を提案する。 12,000のハーブ画像を手動でキュレートしたデータセットを用いて、ハーブ認識手法の既存の制限に対処する堅牢な機械学習モデルを開発した。 DenseNet121、50層Residual Network(ResNet50)、16層Visual Geometry Group Network(VGG16)、InceptionV3、EfficientNetV2、Vision Transformer(VIT)など、複数のモデルアーキテクチャを採用しました。 オーバーフィッティングを緩和し、モデルの一般化性を高めるために、データ拡張および正規化技術を適用した。 この研究は草本分類の手法を進歩させ、伝統的な植物学知識を維持し、持続可能な草本利用を促進する。

関連論文リスト

• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• IndoHerb: Indonesia Medicinal Plants Recognition using Transfer Learning and Deep Learning [1.8499314936771563]
  本研究は,コンボリューショナルニューラルネットワーク(CNN)の導入を通じてインドネシアの草本植物を分類する課題に対処する。 厳密なデータ前処理と5つの異なるモデルを用いた移動学習手法を用いた分類を行った。 包括的な分析の結果、ConvNeXtは92.5%の精度で最高の精度を達成した。
  論文  参考訳（メタデータ） (2023-08-03T08:16:55Z)
• 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)
• Transfer Learning with Deep Tabular Models [66.67017691983182]
  上流データにより、グラフニューラルネットワークはGBDTモデルよりも決定的な優位性を示す。 そこで本研究では,表在化学習のための現実的な診断ベンチマークを提案する。 上流と下流の特徴セットが異なる場合の擬似特徴法を提案する。
  論文  参考訳（メタデータ） (2022-06-30T14:24:32Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Deep learning, machine vision in agriculture in 2021 [0.0]
  この原稿は、雑草の分類と追跡のためのニューラルネットワークの利用に関する研究の完全な分析を提示する。 本稿では,栽培対象と雑草を認識する作業において,ニューラルネットワークの利用を推奨する。
  論文  参考訳（メタデータ） (2021-03-03T00:41:53Z)
• Rapid Classification of Glaucomatous Fundus Images [0.0]
  本稿では,強化学習と教師付き学習を統合した畳み込みニューラルネットワークの学習手法を提案する。 トレーニング方法は2つの異なるタイプである「ランダム移動」と「ランダム検出」を経由した登山技術を用いる。 このモデルは、グラコマトースと正常な眼底画像を持つDrishti GSとRIM-ONE-r2データセットを用いて訓練され、試験された。
  論文  参考訳（メタデータ） (2021-02-08T18:06:25Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)
• Few-Shot Class-Incremental Learning [68.75462849428196]
  本稿では,FSCIL問題に焦点をあてる。 FSCIL は CNN モデルに対して,学習済みのクラスを忘れることなく,ラベル付きサンプルのごく少数から新たなクラスを漸進的に学習することを求めている。 我々は,異なるクラスで形成される特徴多様体のトポロジーを学習し,保存するニューラルネットワーク(NG)ネットワークを用いて,知識を表現する。
  論文  参考訳（メタデータ） (2020-04-23T03:38:33Z)

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。