Fugu-MT 論文翻訳(概要): Multi-output Deep-Supervised Classifier Chains for Plant Pathology

論文の概要: Multi-output Deep-Supervised Classifier Chains for Plant Pathology

arxiv url: http://arxiv.org/abs/2507.20125v1
Date: Sun, 27 Jul 2025 04:23:17 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-29 16:23:56.978878
Title: Multi-output Deep-Supervised Classifier Chains for Plant Pathology
Title（参考訳）: 植物病理診断のための多出力Deep-Supervised Classifier Chain
Authors: Jianping Yao, Son N. Tran,
Abstract要約: そこで我々は,2つのラベルの出力層を連鎖させることにより,植物種と病気の予測を織り込む,Multi-Supervised Chains (Mo-DsCC) という新しいモデルを提案する。モデルの利点を評価するため、2つのベンチマークデータセットに対して集中的な実験を行う。
参考スコア（独自算出の注目度）: 12.004640584906666
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Plant leaf disease classification is an important task in smart agriculture which plays a critical role in sustainable production. Modern machine learning approaches have shown unprecedented potential in this classification task which offers an array of benefits including time saving and cost reduction. However, most recent approaches directly employ convolutional neural networks where the effect of the relationship between plant species and disease types on prediction performance is not properly studied. In this study, we proposed a new model named Multi-output Deep Supervised Classifier Chains (Mo-DsCC) which weaves the prediction of plant species and disease by chaining the output layers for the two labels. Mo-DsCC consists of three components: A modified VGG-16 network as the backbone, deep supervision training, and a stack of classification chains. To evaluate the advantages of our model, we perform intensive experiments on two benchmark datasets Plant Village and PlantDoc. Comparison to recent approaches, including multi-model, multi-label (Power-set), multi-output and multi-task, demonstrates that Mo-DsCC achieves better accuracy and F1-score. The empirical study in this paper shows that the application of Mo-DsCC could be a useful puzzle for smart agriculture to benefit farms and bring new ideas to industry and academia.
Abstract（参考訳）: 植物葉病の分類は、持続可能な生産において重要な役割を果たすスマート農業において重要な課題である。現代の機械学習アプローチは、時間節約やコスト削減など、様々なメリットを提供するこの分類タスクにおいて、前例のない可能性を示している。しかし、近年のアプローチでは、植物種と病型との関係が予測性能に与える影響を適切に研究していない畳み込みニューラルネットワークが直接採用されている。本研究では,2つのラベルの出力層を連鎖させることで,植物種と病気の予測を織り込むマルチアウトプットディープ・スーパービジョン・クラシファイア・チェーン (Mo-DsCC) モデルを提案する。 Mo-DsCCは、背骨としてのVGG-16ネットワーク、深い監督訓練、分類チェーンのスタックの3つのコンポーネントで構成されている。モデルの有効性を評価するため、Plant VillageとPlantDocの2つのベンチマークデータセットで集中的な実験を行った。マルチモデル,マルチラベル(パワーセット),マルチアウトプット,マルチタスクといった最近の手法と比較して,Mo-DsCCの精度とF1スコアが向上している。本論文は, スマート農業へのMo-DsCCの適用が, 農家の利益と, 産業や学界に新たなアイデアをもたらす上で有用なパズルであることを示すものである。

関連論文リスト

Clustering-Guided Multi-Layer Contrastive Representation Learning for Citrus Disease Classification [17.627760587507737]
シトラス(Citrus)は、世界でもっとも経済的に重要な果実の1つである。正確な疾患の検出と分類は、標的とするコントロール対策を実施するための重要な前提条件である。人工知能の最近の進歩、特にディープラーニングベースのコンピュータビジョンアルゴリズムは、時間と労働の要求を大幅に減らしている。
論文参考訳（メタデータ） (2025-07-15T10:22:52Z)
Self-Classification Enhancement and Correction for Weakly Supervised Object Detection [113.51483527300496]
弱い監督対象検出(WSOD)は、ラベル付けコストの低いため、多くの注目を集めている。本稿では,この2つの問題を改善するための新しいWSODフレームワークを紹介する。まず,2つの異なるMCCタスク間のギャップを埋めるために,クラス内バイナリ分類(ICBC)を統合した自己分類拡張モジュールを提案する。また,2つのMCCタスクの結果を組み合わせて,誤分類予測を効果的に削減する自己分類補正アルゴリズムを提案する。
論文参考訳（メタデータ） (2025-05-22T06:45:58Z)
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)
SugarViT -- Multi-objective Regression of UAV Images with Vision Transformers and Deep Label Distribution Learning Demonstrated on Disease Severity Prediction in Sugar Beet [3.2925222641796554]
この研究は、大規模植物固有の特徴アノテーションを自動化するための機械学習フレームワークを導入する。我々は、SugarViTと呼ばれる重症度評価のための効率的なビジョントランスフォーマーモデルを開発した。この特殊なユースケースでモデルは評価されるが、様々な画像に基づく分類や回帰タスクにも可能な限り汎用的に適用可能である。
論文参考訳（メタデータ） (2023-11-06T13:01:17Z)
Deep Learning for Plant Identification and Disease Classification from Leaf Images: Multi-prediction Approaches [14.73818032506552]
本研究は,植物識別と病原性分類に関する最近の深層学習手法について調査する。我々は、GSMo-CNN(Generalized Stacking Multi-output CNN)と呼ばれる新しいモデルを提案する。提案したGSMo-CNNは,3つのベンチマークデータセット上で最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-10-25T01:06:18Z)
Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文参考訳（メタデータ） (2023-02-03T13:50:25Z)
Guiding Generative Language Models for Data Augmentation in Few-Shot Text Classification [59.698811329287174]
我々は、GPT-2を用いて、分類性能を向上させるために、人工訓練インスタンスを生成する。実験の結果,少数のラベルインスタンスでGPT-2を微調整すると,一貫した分類精度が向上することがわかった。
論文参考訳（メタデータ） (2021-11-17T12:10:03Z)
Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
論文参考訳（メタデータ） (2021-01-22T19:49:47Z)
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)
Adversarial Feature Hallucination Networks for Few-Shot Learning [84.31660118264514]
Adversarial Feature Hallucination Networks (AFHN) は条件付き Wasserstein Generative Adversarial Network (cWGAN) に基づいている。合成された特徴の識別性と多様性を促進するために、2つの新規レギュレータがAFHNに組み込まれている。
論文参考訳（メタデータ） (2020-03-30T02:43:16Z)

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。