論文の概要: Comparative Analysis of Deep Learning Models for Crop Disease Detection: A Transfer Learning Approach

• arxiv url: http://arxiv.org/abs/2506.20323v1
• Date: Wed, 25 Jun 2025 11:04:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.705841
• Title: Comparative Analysis of Deep Learning Models for Crop Disease Detection: A Transfer Learning Approach
• Title（参考訳）: 作物病検出のための深層学習モデルの比較分析:伝達学習アプローチ
• Authors: Saundarya Subramaniam, Shalini Majumdar, Shantanu Nadar, Kaustubh Kulkarni,
• Abstract要約: 本研究は、限られた資源で農村部の農家を支援するために設計された人工知能(AI)による作物病検出システムの開発について述べる。 異なるディープラーニングモデルを比較して比較し,伝達学習の有効性に着目した。 本研究は、農業実践の転換、作物の健康管理の改善、農村環境における持続可能な農業支援におけるトランスファーラーニングの可能性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This research presents the development of an Artificial Intelligence (AI) - driven crop disease detection system designed to assist farmers in rural areas with limited resources. We aim to compare different deep learning models for a comparative analysis, focusing on their efficacy in transfer learning. By leveraging deep learning models, including EfficientNet, ResNet101, MobileNetV2, and our custom CNN, which achieved a validation accuracy of 95.76%, the system effectively classifies plant diseases. This research demonstrates the potential of transfer learning in reshaping agricultural practices, improving crop health management, and supporting sustainable farming in rural environments.
• Abstract（参考訳）: 本研究は、限られた資源で農村部の農家を支援するために設計された人工知能(AI)による作物病検出システムの開発について述べる。 本研究の目的は,移動学習の有効性に着目し,異なるディープラーニングモデルを比較して比較分析することである。 EfficientNet、ResNet101、MobileNetV2、カスタムCNNなどのディープラーニングモデルを活用することで、95.76%の検証精度を実現し、植物病を効果的に分類する。 本研究は、農業実践の転換、作物の健康管理の改善、農村環境における持続可能な農業支援におけるトランスファーラーニングの可能性を示す。

関連論文リスト

• Advancing Out-of-Distribution Detection via Local Neuroplasticity [60.53625435889467]
  本稿では,コルモゴロフ・アルノルドネットワーク(KAN)の局所神経可塑性特性を利用した新しいOOD検出法を提案する。 本手法は,トレーニング対象のカンの活性化パターンとトレーニング対象のOOD検出パターンを比較した。 画像および医用領域のベンチマークに対するアプローチを検証し、最先端技術と比較して優れた性能と堅牢性を示す。
  論文  参考訳（メタデータ） (2025-02-20T11:13:41Z)
• Edge-AI for Agriculture: Lightweight Vision Models for Disease Detection in Resource-Limited Settings [0.0]
  提案システムは,エッジデバイスへの展開に最適化された高度なオブジェクト検出,分類,セグメンテーションモデルを統合する。 本研究は, 精度, 計算効率, 一般化能力に着目し, 各種最先端モデルの性能を評価する。
  論文  参考訳（メタデータ） (2024-12-23T06:48:50Z)
• 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)
• Transfer or Self-Supervised? Bridging the Performance Gap in Medical Imaging [6.744847405966574]
  本稿では,医療分野における転帰学習と自己指導学習のパフォーマンスと堅牢性を比較した。 我々は、データ不均衡、データの不足、ドメインミスマッチなど、医療領域で共通するいくつかの問題でデータをテストした。 医療分野における転帰学習と自己指導型学習の活用を支援するための推奨事項を提示する。
  論文  参考訳（メタデータ） (2024-07-08T04:14:52Z)
• 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)
• Breast Cancer Image Classification Method Based on Deep Transfer Learning [40.392772795903795]
  深層学習と転写学習を組み合わせた乳癌画像分類モデルを提案する。 実験結果から, アルゴリズムは, 従来のモデルに比べて分類精度が有意に向上し, テストセットの84.0%以上の効率を達成することが示された。
  論文  参考訳（メタデータ） (2024-04-14T12:09:47Z)
• Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
  本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。 我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
  論文  参考訳（メタデータ） (2024-03-27T05:10:38Z)
• Explainable AI in Grassland Monitoring: Enhancing Model Performance and Domain Adaptability [0.6131022957085438]
  草原は高い生物多様性と複数の生態系サービスを提供する能力で知られている。 指標植物の自動識別の課題は、大規模な草地モニタリングの鍵となる障害である。 本稿では,移動学習と草地モニタリングへのXAIアプローチを中心に,後者の2つの課題を考察する。
  論文  参考訳（メタデータ） (2023-12-13T10:17:48Z)
• Learning Objective-Specific Active Learning Strategies with Attentive Neural Processes [72.75421975804132]
  学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。 能動学習問題の対称性と独立性を利用した新しい分類法を提案する。 私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
  論文  参考訳（メタデータ） (2023-09-11T14:16:37Z)
• Multitask Deep Learning for Accurate Risk Stratification and Prediction of Next Steps for Coronary CT Angiography Patients [26.50934421749854]
  リスク階層化と下流テスト選択を支援するマルチタスク深層学習モデルを提案する。 提案手法は,CADのリスク層化において0.76AUC,下流試験では0.72AUCの受信機動作特性を持つCurve(AUC)のエリアを達成した。
  論文  参考訳（メタデータ） (2023-09-01T08:34:13Z)

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。