論文の概要: Mobile-Friendly Deep Learning for Plant Disease Detection: A Lightweight CNN Benchmark Across 101 Classes of 33 Crops

• arxiv url: http://arxiv.org/abs/2508.10817v1
• Date: Thu, 14 Aug 2025 16:43:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.414981
• Title: Mobile-Friendly Deep Learning for Plant Disease Detection: A Lightweight CNN Benchmark Across 101 Classes of 33 Crops
• Title（参考訳）: 植物病検出のためのモバイルフレンドリーな深層学習:33種101クラスにわたる軽量CNNベンチマーク
• Authors: Anand Kumar, Harminder Pal Monga, Tapasi Brahma, Satyam Kalra, Navas Sherif,
• Abstract要約: 植物病は世界の食料安全保障にとって大きな脅威である。 我々は、33の作物で101の植物病を正確に分類できるモバイルフレンドリーなソリューションを開発した。
• 参考スコア（独自算出の注目度）: 39.58317527488534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Plant diseases are a major threat to food security globally. It is important to develop early detection systems which can accurately detect. The advancement in computer vision techniques has the potential to solve this challenge. We have developed a mobile-friendly solution which can accurately classify 101 plant diseases across 33 crops. We built a comprehensive dataset by combining different datasets, Plant Doc, PlantVillage, and PlantWild, all of which are for the same purpose. We evaluated performance across several lightweight architectures - MobileNetV2, MobileNetV3, MobileNetV3-Large, and EfficientNet-B0, B1 - specifically chosen for their efficiency on resource-constrained devices. The results were promising, with EfficientNet-B1 delivering our best performance at 94.7% classification accuracy. This architecture struck an optimal balance between accuracy and computational efficiency, making it well-suited for real-world deployment on mobile devices.
• Abstract（参考訳）: 植物病は世界の食料安全保障にとって大きな脅威である。 正確な検出が可能な早期検出システムの開発が重要である。 コンピュータビジョン技術の進歩は、この課題を解決する可能性を秘めている。 我々は、33の作物で101の植物病を正確に分類できるモバイルフレンドリーなソリューションを開発した。 さまざまなデータセット、Pland Doc、PlandVillage、PlandWildを組み合わせることで、包括的なデータセットを構築しました。 我々は、MobileNetV2、MobileNetV3、MobileNetV3-Large、EfficientNet-B0、B1など、いくつかの軽量アーキテクチャのパフォーマンスを評価した。 結果は有望であり、EfficientNet-B1は94.7%の分類精度で最高のパフォーマンスを提供します。 このアーキテクチャは精度と計算効率の最適なバランスをとっており、モバイルデバイスへの実際のデプロイに適している。

関連論文リスト

• Hybrid Knowledge Transfer through Attention and Logit Distillation for On-Device Vision Systems in Agricultural IoT [0.0]
  この研究は、精密農業におけるリアルタイムでエネルギー効率の高い作物モニタリングを推進している。 これは、エッジデバイス上でViTレベルの診断精度を実現する方法を示している。
  論文  参考訳（メタデータ） (2025-04-21T06:56:41Z)
• Cycle Training with Semi-Supervised Domain Adaptation: Bridging Accuracy and Efficiency for Real-Time Mobile Scene Detection [3.5291730624600848]
  モデル性能を最適化するために,探索段階と安定化段階を交互に行う3段階のトレーニングプロセスを採用した,Cycle Trainingと呼ばれる新しいトレーニングフレームワークを提案する。 モバイルシーン検出のためのCamSSDデータセットに関する総合的な実験により、我々のフレームワークは分類精度を大幅に向上するだけでなく、リアルタイムの推論効率も向上することを示した。
  論文  参考訳（メタデータ） (2025-04-12T17:42:45Z)
• MobilePlantViT: A Mobile-friendly Hybrid ViT for Generalized Plant Disease Image Classification [2.0681376988193843]
  植物病は世界の食料安全保障を著しく脅かす。 深層学習モデルは植物病の同定において顕著な性能を示した。 これらのモデルをモバイルおよびエッジデバイスにデプロイすることは、高い計算要求とリソース制約のため、依然として困難である。 植物病の一般的な分類のために設計された新しいハイブリッドビジョントランスフォーマー(ViT)アーキテクチャであるMobilePlantViTを提案する。
  論文  参考訳（メタデータ） (2025-03-20T18:34:02Z)
• 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)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Advancing Green AI: Efficient and Accurate Lightweight CNNs for Rice Leaf Disease Identification [0.0]
  米は世界の人口の半数以上にとって主要な食料源として重要な役割を担っている。 本研究では,イネ葉病分類のための3つの移動型CNNアーキテクチャについて検討した。 最高のパフォーマンスは、99.8%の精度でEfficientNet-B0モデルによって達成された。
  論文  参考訳（メタデータ） (2024-08-03T11:16:00Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• High performing ensemble of convolutional neural networks for insect pest image detection [124.23179560022761]
  害虫の寄生は作物の被害の主な原因であり、世界中の収入を失った。 我々は異なるトポロジに基づいてCNNのアンサンブルを生成する。 ディープネットワーク最適化のための2つの新しいAdamアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-28T00:49:11Z)
• A Data and Compute Efficient Design for Limited-Resources Deep Learning [68.55415606184]
  同変ニューラルネットワークは 深層学習コミュニティへの関心を高めています 医療分野では、データの対称性を効果的に活用して、より正確で堅牢なモデルの構築に成功している。 ディープ・ラーニング・ソリューションのモバイル・オン・デバイス実装は医療応用のために開発されている。 しかし、同変モデルは大規模で計算コストのかかるアーキテクチャを用いて一般的に実装されており、モバイルデバイス上では動作しない。 本研究では、MobileNetV2の同変バージョンを設計、テストし、さらにモデル量子化により最適化し、より効率的な推論を可能にする。
  論文  参考訳（メタデータ） (2020-04-21T00:49:11Z)

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。