論文の概要: Crop Pest Classification Using Deep Learning Techniques: A Review

• arxiv url: http://arxiv.org/abs/2507.01494v1
• Date: Wed, 02 Jul 2025 08:52:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.116788
• Title: Crop Pest Classification Using Deep Learning Techniques: A Review
• Title（参考訳）: 深層学習技術を用いた作物害虫の分類
• Authors: Muhammad Hassam Ejaz, Muhammad Bilal, Usman Habib,
• Abstract要約: 昆虫害虫は世界中の作物に深刻な脅威をもたらし続けている。 ディープラーニングは強力なソリューションとして登場し、畳み込みニューラルネットワーク(CNN)やビジョントランスフォーマー(ViT)、害虫検出を自動化するハイブリッドモデルといったテクニックが普及している。 このレビューでは、2018年から2025年にかけて、慎重に選択された37の研究が、AIベースの害虫分類に焦点を当てている。
• 参考スコア（独自算出の注目度）: 1.6892286275172133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Insect pests continue to bring a serious threat to crop yields around the world, and traditional methods for monitoring them are often slow, manual, and difficult to scale. In recent years, deep learning has emerged as a powerful solution, with techniques like convolutional neural networks (CNNs), vision transformers (ViTs), and hybrid models gaining popularity for automating pest detection. This review looks at 37 carefully selected studies published between 2018 and 2025, all focused on AI-based pest classification. The selected research is organized by crop type, pest species, model architecture, dataset usage, and key technical challenges. The early studies relied heavily on CNNs but latest work is shifting toward hybrid and transformer-based models that deliver higher accuracy and better contextual understanding. Still, challenges like imbalanced datasets, difficulty in detecting small pests, limited generalizability, and deployment on edge devices remain significant hurdles. Overall, this review offers a structured overview of the field, highlights useful datasets, and outlines the key challenges and future directions for AI-based pest monitoring systems.
• Abstract（参考訳）: 昆虫害虫は、世界中の作物の収穫に深刻な脅威をもたらし続けている。 近年では、畳み込みニューラルネットワーク(CNN)やビジョントランスフォーマー(ViT)、害虫検出を自動化するハイブリッドモデルなど、ディープラーニングが強力なソリューションとして登場している。 このレビューでは、2018年から2025年の間に37の慎重に選択された研究を取り上げ、すべてAIベースの害虫分類に焦点を当てている。 選択された研究は、作物の種類、害虫種、モデルアーキテクチャ、データセットの使用、そして重要な技術的課題によって組織されている。 初期の研究はCNNに大きく依存していたが、最新の研究は、より高精度で文脈理解を向上するハイブリッドモデルとトランスフォーマーベースのモデルにシフトしつつある。 それでも、不均衡なデータセット、小さな害虫の検出の困難、一般化可能性の制限、エッジデバイスへのデプロイメントといった課題は、依然として大きなハードルとなっている。 全体として、このレビューは、この分野の構造化された概要を提供し、有用なデータセットを強調し、AIベースの害虫モニタリングシステムにおける重要な課題と今後の方向性を概説する。

関連論文リスト

• Vision Transformers in Precision Agriculture: A Comprehensive Survey [3.156133122658662]
  ビジョントランスフォーマー(ViT)は、長距離依存の処理の改善や視覚タスクのスケーラビリティ向上といった利点を提供する。 本研究は、CNNとViTの比較分析と、ハイブリッドモデルとパフォーマンス改善のレビューを含む。
  論文  参考訳（メタデータ） (2025-04-30T14:50:02Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• 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)
• InsectMamba: Insect Pest Classification with State Space Model [8.470757741028661]
  InsectMambaは、ステートスペースモデル(SSM)、畳み込みニューラルネットワーク(CNN)、マルチヘッド自己認識機構(MSA)、マルチレイヤパーセプトロン(MLP)をMix-SSMブロックに統合する新しいアプローチである。 5種類の害虫分類データセットの強い競争相手に対して評価された。
  論文  参考訳（メタデータ） (2024-04-04T17:34:21Z)
• On the Challenges and Opportunities in Generative AI [157.96723998647363]
  私たちは、現在の大規模な生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの根本的な欠点を示しています。 我々は、研究者に実りある研究の方向性を探るための洞察を提供することを目標とし、より堅牢でアクセスしやすい生成AIソリューションの開発を促進する。
  論文  参考訳（メタデータ） (2024-02-28T15:19:33Z)
• Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis [53.24804865821692]
  本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。 この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
  論文  参考訳（メタデータ） (2023-12-22T15:04:20Z)
• 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)
• Adversarial Attacks and Defenses in Machine Learning-Powered Networks: A Contemporary Survey [114.17568992164303]
  機械学習とディープニューラルネットワークにおけるアドリアックと防御が注目されている。 本調査は、敵攻撃・防衛技術分野における最近の進歩を包括的に概観する。 検索ベース、意思決定ベース、ドロップベース、物理世界攻撃など、新たな攻撃方法も検討されている。
  論文  参考訳（メタデータ） (2023-03-11T04:19:31Z)
• 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)
• 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。