論文の概要: Improving watermelon (Citrullus lanatus) disease classification with generative artificial intelligence (GenAI)-based synthetic and real-field images via a custom EfficientNetV2-L model

• arxiv url: http://arxiv.org/abs/2508.10156v1
• Date: Wed, 13 Aug 2025 19:39:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.100881
• Title: Improving watermelon (Citrullus lanatus) disease classification with generative artificial intelligence (GenAI)-based synthetic and real-field images via a custom EfficientNetV2-L model
• Title（参考訳）: 汎用NetV2-Lモデルを用いたジェネレーション人工知能(GenAI)によるスイカ病分類の改善
• Authors: Nitin Rai, Nathan S. Boyd, Gary E. Vallad, Arnold W. Schumann,
• Abstract要約: 本研究では,スイカ病の分類に有効なNetV2-Lモデルの予測精度を高めることができるかを検討した。 H2、H3、H4の治療で訓練されたモデルは、高精度、リコール、F1スコアのメトリクスを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The current advancements in generative artificial intelligence (GenAI) models have paved the way for new possibilities for generating high-resolution synthetic images, thereby offering a promising alternative to traditional image acquisition for training computer vision models in agriculture. In the context of crop disease diagnosis, GenAI models are being used to create synthetic images of various diseases, potentially facilitating model creation and reducing the dependency on resource-intensive in-field data collection. However, limited research has been conducted on evaluating the effectiveness of integrating real with synthetic images to improve disease classification performance. Therefore, this study aims to investigate whether combining a limited number of real images with synthetic images can enhance the prediction accuracy of an EfficientNetV2-L model for classifying watermelon \textit{(Citrullus lanatus)} diseases. The training dataset was divided into five treatments: H0 (only real images), H1 (only synthetic images), H2 (1:1 real-to-synthetic), H3 (1:10 real-to-synthetic), and H4 (H3 + random images to improve variability and model generalization). All treatments were trained using a custom EfficientNetV2-L architecture with enhanced fine-tuning and transfer learning techniques. Models trained on H2, H3, and H4 treatments demonstrated high precision, recall, and F1-score metrics. Additionally, the weighted F1-score increased from 0.65 (on H0) to 1.00 (on H3-H4) signifying that the addition of a small number of real images with a considerable volume of synthetic images improved model performance and generalizability. Overall, this validates the findings that synthetic images alone cannot adequately substitute for real images; instead, both must be used in a hybrid manner to maximize model performance for crop disease classification.
• Abstract（参考訳）: 生成人工知能(GenAI)モデルの現在の進歩は、高解像度の合成画像を生成する新たな可能性の道を開いた。 作物病の診断の文脈において、GenAIモデルは様々な疾患の合成画像を作成するために使われており、モデルの作成を容易にし、資源集約型フィールドデータ収集への依存を減らす可能性がある。 しかし, 疾患分類性能を向上させるために, 実画像と合成画像の統合の有効性を評価するための限定的な研究がなされている。 そこで本研究では,スイカ<textit{(Citrullus lanatus")病の分類に有効なNetV2-Lモデルの予測精度を高めることを目的とした。 トレーニングデータセットは、H0(実画像のみ)、H1(合成画像のみ)、H2(実合成画像1:1)、H3(実合成画像1:10)、H4(可変性とモデル一般化)の5つの治療法に分けられた。 すべての治療はカスタムのEfficientNetV2-Lアーキテクチャを使って訓練された。 H2、H3、H4の治療で訓練されたモデルは、高精度、リコール、F1スコアのメトリクスを示した。 さらに、重み付きF1スコアは0.65(H0)から1.00(H3-H4)に増加し、大量の合成画像を持つ少数の実画像が加わったことにより、モデルの性能と一般化性が向上した。 総合的に、合成画像だけでは実際の画像に適切に代用できないという知見を検証し、作物病分類のモデル性能を最大化するために、両者をハイブリッド方式で使用する必要がある。

関連論文リスト

• AI-Driven Cytomorphology Image Synthesis for Medical Diagnostics [3.462981934061808]
  本研究は急性骨髄性白血病(AML)などの血液疾患の診断における重要な要素である単一白血球の分類に焦点を当てる。 本研究では,微調整された安定拡散モデルを用いて生成した合成画像が,限られたデータに対する分類器性能をいかに向上させるかを示す。 本研究は, バイオメディカル研究のツールとして合成画像を確立し, 機械学習モデルの改良, 医療診断・研究の促進を目的としている。
  論文  参考訳（メタデータ） (2025-07-07T14:49:05Z)
• Improving Heart Rejection Detection in XPCI Images Using Synthetic Data Augmentation [0.0]
  StyleGANは利用可能な3Rバイオプシーパッチで訓練され、その後、1万のリアルな合成画像を生成するために使用された。 これらは、ResNet-18分類器をバイナリーリジェクション分類のために訓練するための様々な構成において、レジェクション無しのサンプルである実際の0Rサンプルと組み合わせられた。 その結果, 実検体と組み合わせて使用する場合, 合成データにより分類性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-05-26T09:26:36Z)
• Enhancing AI Face Realism: Cost-Efficient Quality Improvement in Distilled Diffusion Models with a Fully Synthetic Dataset [2.6177855932435623]
  本研究では,拡散モデルによる画像生成のコスト対品質比を高める新しい手法を提案する。 我々は合成ペアデータセットを生成し、高速な画像から画像への変換ヘッドを訓練する。 以上の結果から, 大規模生成モデルの蒸留版と拡張層を組み合わせたパイプラインが, ベースライン版に類似したフォトリアリスティック・ポートレートを提供することがわかった。
  論文  参考訳（メタデータ） (2025-05-04T21:28:21Z)
• CO-SPY: Combining Semantic and Pixel Features to Detect Synthetic Images by AI [58.35348718345307]
  実際の画像とAI生成画像を区別する現在の取り組みには、一般化が欠如している可能性がある。 既存のセマンティック機能を強化した新しいフレームワークCo-Spyを提案する。 また、5つの実画像データセットと22の最先端生成モデルからなる包括的データセットであるCo-Spy-Benchを作成します。
  論文  参考訳（メタデータ） (2025-03-24T01:59:29Z)
• Merging synthetic and real embryo data for advanced AI predictions [69.07284335967019]
  我々は、作成した2つのデータセットを用いて、2つの生成モデルをトレーニングし、既存の1つのデータセットを使用して、様々な細胞レベルで合成胚画像を生成する。 これらは実画像と組み合わせて、胚細胞ステージ予測のための分類モデルを訓練した。 その結果,実データと合成画像を組み合わせることで分類性能が向上し,実データのみをトレーニングした場合の94.5%に比べて97%の精度が得られた。
  論文  参考訳（メタデータ） (2024-12-02T08:24:49Z)
• Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
  ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。 合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。 提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
  論文  参考訳（メタデータ） (2024-03-28T22:25:05Z)
• Augmenting medical image classifiers with synthetic data from latent diffusion models [12.077733447347592]
  我々は,潜伏拡散モデルが皮膚疾患の画像を生成することを実証した。 我々は,複数の生成戦略を用いて生成した458,920個の合成画像の新しいデータセットを生成し,解析する。
  論文  参考訳（メタデータ） (2023-08-23T22:34:49Z)
• Is synthetic data from generative models ready for image recognition? [69.42645602062024]
  本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。 本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-14T06:54:24Z)

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。