論文の概要: MangoLeafViT: Leveraging Lightweight Vision Transformer with Runtime Augmentation for Efficient Mango Leaf Disease Classification

• arxiv url: http://arxiv.org/abs/2505.23961v1
• Date: Thu, 29 May 2025 19:28:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.640593
• Title: MangoLeafViT: Leveraging Lightweight Vision Transformer with Runtime Augmentation for Efficient Mango Leaf Disease Classification
• Title（参考訳）: MangoLeafViT: 効率的なMango Leaf病分類のための実行時拡張による軽量視覚変換器の活用
• Authors: Rafi Hassan Chowdhury, Sabbir Ahmed,
• Abstract要約: マンゴー葉病を分類するための自己注意機構を備えた軽量ビジョントランスフォーマーを用いたパイプラインを提案する。 本手法は,病型間の複雑なパターンを捉えるためにグローバルな注意を生かし,パフォーマンス向上のためにランタイム拡張を取り入れている。
• 参考スコア（独自算出の注目度）: 1.3812010983144802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring food safety is critical due to its profound impact on public health, economic stability, and global supply chains. Cultivation of Mango, a major agricultural product in several South Asian countries, faces high financial losses due to different diseases, affecting various aspects of the entire supply chain. While deep learning-based methods have been explored for mango leaf disease classification, there remains a gap in designing solutions that are computationally efficient and compatible with low-end devices. In this work, we propose a lightweight Vision Transformer-based pipeline with a self-attention mechanism to classify mango leaf diseases, achieving state-of-the-art performance with minimal computational overhead. Our approach leverages global attention to capture intricate patterns among disease types and incorporates runtime augmentation for enhanced performance. Evaluation on the MangoLeafBD dataset demonstrates a 99.43% accuracy, outperforming existing methods in terms of model size, parameter count, and FLOPs count.
• Abstract（参考訳）: 食品の安全性の確保は、公衆衛生、経済安定、世界的なサプライチェーンに大きな影響を与えるため、非常に重要である。 いくつかの南アジア諸国で主要な農業生産品であるマンゴの栽培は、さまざまな病気による財政的損失を被り、サプライチェーン全体の様々な側面に影響を及ぼしている。 マンゴー葉病の分類にはディープラーニングに基づく手法が研究されているが、計算効率が良く、ローエンドデバイスと互換性のあるソリューションの設計にはまだギャップが残っている。 本研究では,マンゴー葉病を分類し,計算オーバーヘッドを最小限に抑える軽量なビジョントランスフォーマーベースパイプラインを提案する。 本手法は,病型間の複雑なパターンを捉えるためにグローバルな注意を生かし,パフォーマンス向上のためにランタイム拡張を取り入れている。 MangoLeafBDデータセットの評価では、99.43%の精度を示し、モデルサイズ、パラメータ数、FLOP数で既存のメソッドを上回っている。

関連論文リスト

• Design and Implementation of FourCropNet: A CNN-Based System for Efficient Multi-Crop Disease Detection and Management [3.4161054453684705]
  本研究では,複数の作物の病原体を検出するための新しいディープラーニングモデルであるFourCropNetを提案する。 FourCropNetは、Grapeの99.7%、Cornの99.5%、組み合わせたデータセットの95.3%の最高精度を達成した。
  論文  参考訳（メタデータ） (2025-03-11T12:00:56Z)
• Panacea: Mitigating Harmful Fine-tuning for Large Language Models via Post-fine-tuning Perturbation [58.7395356511539]
  有害な微調整攻撃は、微調整サービスに重大なセキュリティリスクをもたらす。 主流防衛は、後の有害な微調整攻撃がより効果的でないように、モデルを予防接種することを目的としている。 微調整後のモデルに適用可能な適応的摂動を最適化するパナセアを提案する。
  論文  参考訳（メタデータ） (2025-01-30T02:47:09Z)
• Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
  本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。 我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
  論文  参考訳（メタデータ） (2024-11-07T22:29:05Z)
• Early and Accurate Detection of Tomato Leaf Diseases Using TomFormer [0.3169023552218211]
  本稿ではトマト葉病検出のためのトランスフォーマーモデルTomFormerを紹介する。 本稿では,視覚変換器と畳み込みニューラルネットワークを組み合わせた融合モデルを用いて,トマト葉病の検出手法を提案する。
  論文  参考訳（メタデータ） (2023-12-26T20:47:23Z)
• An Efficient Transfer Learning-based Approach for Apple Leaf Disease Classification [0.0]
  本研究では, 移行学習に基づくリンゴ葉病の同定手法を提案する。 提案したパイプラインの能力は、公開されているPlanetVillageのデータセットから、リンゴの葉病サブセットに基づいて評価されている。
  論文  参考訳（メタデータ） (2023-04-10T08:48:36Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• An Effective Scheme for Maize Disease Recognition based on Deep Networks [0.0]
  植物の病気は食品の安全性に影響を与え、農産物の品質と量を大幅に減少させる。 病気の正確かつタイムリーな診断には多くの課題がある。 本研究は、上記の課題を克服するために、ディープニューラルネットワークに基づく新しいスキームを提案する。
  論文  参考訳（メタデータ） (2022-05-09T12:37:11Z)
• Real-time Plant Health Assessment Via Implementing Cloud-based Scalable Transfer Learning On AWS DeepLens [0.8714677279673736]
  植物葉病の検出・分類のための機械学習手法を提案する。 私たちは、AWS SageMaker上でスケーラブルな転送学習を使用して、リアルタイムの実用的なユーザビリティのために、AWS DeepLensにインポートしています。 果実や野菜の健康・不健康な葉の広範な画像データセットに関する実験では,植物葉病のリアルタイム診断で98.78%の精度を示した。
  論文  参考訳（メタデータ） (2020-09-09T05:23:34Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。