論文の概要: SugarcaneShuffleNet: A Very Fast, Lightweight Convolutional Neural Network for Diagnosis of 15 Sugarcane Leaf Diseases
- arxiv url: http://arxiv.org/abs/2508.17107v1
- Date: Sat, 23 Aug 2025 18:39:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-26 18:43:45.345449
- Title: SugarcaneShuffleNet: A Very Fast, Lightweight Convolutional Neural Network for Diagnosis of 15 Sugarcane Leaf Diseases
- Title（参考訳）: Sugarcane ShuffleNet:15例のSugarcane Leaf病の診断のための超高速で軽量な畳み込みニューラルネットワーク
- Authors: Shifat E. Arman, Hasan Muhammad Abdullah, Syed Nazmus Sakib, RM Saiem, Shamima Nasrin Asha, Md Mehedi Hasan, Shahrear Bin Amin, S M Mahin Abrar,
- Abstract要約: 低資源地域のサトウキビ農家は、葉の病気に弱いままである。
多くのディープラーニングモデルは、現実世界の条件下での一般化に失敗する。
本研究は,サトウキビ葉病分類のための培養データセットであるSugarcaneLD-BDについて述べる。
SugarcaneShuffleNetはデバイス上での迅速な診断に最適化された軽量モデルである。
- 参考スコア（独自算出の注目度）: 0.2568599831029425
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Despite progress in AI-based plant diagnostics, sugarcane farmers in low-resource regions remain vulnerable to leaf diseases due to the lack of scalable, efficient, and interpretable tools. Many deep learning models fail to generalize under real-world conditions and require substantial computational resources, limiting their use in resource-constrained regions. In this paper, we present SugarcaneLD-BD, a curated dataset for sugarcane leaf-disease classification; SugarcaneShuffleNet, an optimized lightweight model for rapid on-device diagnosis; and SugarcaneAI, a Progressive Web Application for field deployment. SugarcaneLD-BD contains 638 curated images across five classes, including four major sugarcane diseases, collected in Bangladesh under diverse field conditions and verified by expert pathologists. To enhance diversity, we combined SugarcaneLD-BD with two additional datasets, yielding a larger and more representative corpus. Our optimized model, SugarcaneShuffleNet, offers the best trade-off between speed and accuracy for real-time, on-device diagnosis. This 9.26 MB model achieved 98.02% accuracy, an F1-score of 0.98, and an average inference time of 4.14 ms per image. For comparison, we fine-tuned five other lightweight convolutional neural networks: MnasNet, EdgeNeXt, EfficientNet-Lite, MobileNet, and SqueezeNet via transfer learning and Bayesian optimization. MnasNet and EdgeNeXt achieved comparable accuracy to SugarcaneShuffleNet, but required significantly more parameters, memory, and computation, limiting their suitability for low-resource deployment. We integrate SugarcaneShuffleNet into SugarcaneAI, delivering Grad-CAM-based explanations in the field. Together, these contributions offer a diverse benchmark, efficient models for low-resource environments, and a practical tool for sugarcane disease classification. It spans varied lighting, backgrounds and devices used on-farm
- Abstract（参考訳）: AIベースの植物診断の進歩にもかかわらず、ローリソース地域のサトウキビ農家は、スケーラブルで効率的で解釈可能なツールがないため、葉の病気に弱いままである。
多くのディープラーニングモデルは、実世界の条件下での一般化に失敗し、リソース制約のある領域での使用を制限するために、かなりの計算資源を必要とする。
本稿では,サトウキビ葉病分類のためのキュレートされたデータセットであるSugarcaneLD-BD,迅速なオンデバイス診断のための最適化された軽量モデルであるSugarcaneShuffleNet,フィールド展開のためのプログレッシブWebアプリケーションであるSugarcaneAIを紹介する。
SugarcaneLD-BDは、バングラデシュでさまざまなフィールド条件下で収集され、専門家の病理学者によって検証された4つの主要なサトウキビ病を含む、5つのクラスで638枚のキュレートされた画像を含んでいる。
多様性を高めるために,SugarcaneLD-BDと2つの追加データセットを組み合わせ,より大きく,より代表的なコーパスを得た。
当社の最適化モデルであるSugarcaneShuffleNetは,リアルタイム・オンデバイス診断において,速度と精度の最良のトレードオフを提供します。
この9.26MBモデルは98.02%の精度、F1スコアは0.98、平均推論時間は4.14msである。
MnasNet、EdgeNeXt、EfficientNet-Lite、MobileNet、SqueezeNetの5つの軽量畳み込みニューラルネットワークを転送学習とベイズ最適化によって微調整した。
MnasNetとEdgeNeXtはSugarcaneShuffleNetに匹敵する精度を達成したが、パラメータ、メモリ、計算が大幅に必要となり、低リソースデプロイメントに適している。
SugarcaneShuffleNetをSugarcaneAIに統合し、この分野におけるGrad-CAMベースの説明を提供する。
これらのコントリビューションは、多様なベンチマーク、低リソース環境の効率的なモデル、サトウキビ病の分類のための実用的なツールを提供する。
様々な照明、背景、デバイスにまたがる。
関連論文リスト
- Deploying and Evaluating Multiple Deep Learning Models on Edge Devices for Diabetic Retinopathy Detection [0.0]
糖尿病網膜症(DR)は世界中で約34.6%の糖尿病患者に影響を与えており、2045年までに2億2200万人に達すると予測されている。
従来のDR診断は、時間と資源を集中的に消費する網膜基底画像のマニュアル検査に依存している。
本研究では、エッジデバイス上でリアルタイムDRのための複数のディープラーニングモデルをデプロイするために、Edge Impulseを用いた新しいソリューションを提案する。
論文 参考訳（メタデータ） (2025-06-14T13:53:45Z) - Plant Disease Detection through Multimodal Large Language Models and Convolutional Neural Networks [0.5009853409756729]
本研究では,多モーダル大規模言語モデル(LLM)と畳み込みニューラルネットワーク(CNN)を併用した葉のイメージを用いた植物病の自動分類の有効性について検討した。
ゼロショット,少数ショット,プログレッシブ微調整シナリオのモデル性能を評価する。
論文 参考訳（メタデータ） (2025-04-29T04:31:58Z) - 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) - Just How Flexible are Neural Networks in Practice? [89.80474583606242]
ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。
しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
論文 参考訳（メタデータ） (2024-06-17T12:24:45Z) - Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object
Detection [40.97322222472642]
本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。
糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。
我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
論文 参考訳（メタデータ） (2023-06-26T16:48:20Z) - NCTV: Neural Clamping Toolkit and Visualization for Neural Network
Calibration [66.22668336495175]
ニューラルネットワークのキャリブレーションに対する考慮の欠如は、人間から信頼を得ることはないだろう。
我々はNeural Clamping Toolkitを紹介した。これは開発者が最先端のモデルに依存しないキャリブレーションモデルを採用するのを支援するために設計された最初のオープンソースフレームワークである。
論文 参考訳（メタデータ） (2022-11-29T15:03:05Z) - Device-friendly Guava fruit and leaf disease detection using deep
learning [0.0]
本研究は,果実や葉の画像を用いた深層学習に基づく植物病診断システムを提案する。
システムの実装には5つの最先端の畳み込みニューラルネットワーク(CNN)が使用されている。
論文 参考訳（メタデータ） (2022-09-26T10:19:57Z) - Efficient deep learning models for land cover image classification [0.29748898344267777]
土地利用土地被覆(LULC)画像分類のためのBigEarthNetデータセットを用いて実験を行った。
コンボリューションニューラルネットワーク、マルチ層パーセプトロン、ビジュアルトランスフォーマー、効率的なネットワーク、ワイド残留ネットワーク(WRN)など、さまざまな最先端モデルをベンチマークする。
提案する軽量モデルは、訓練可能なパラメータが桁違いに小さく、平均的なFスコア分類精度が19のLULCクラスすべてに対して4.5%向上し、ベースラインとして使用するResNet50の2倍高速に訓練される。
論文 参考訳（メタデータ） (2021-11-18T00:03:14Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z) - REST: Robust and Efficient Neural Networks for Sleep Monitoring in the
Wild [62.36144064259933]
ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。
私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。
これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
論文 参考訳（メタデータ） (2020-01-29T17:23:16Z)
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。