論文の概要: FloraSyntropy-Net: Scalable Deep Learning with Novel FloraSyntropy Archive for Large-Scale Plant Disease Diagnosis

• arxiv url: http://arxiv.org/abs/2508.17653v1
• Date: Mon, 25 Aug 2025 04:30:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.630991
• Title: FloraSyntropy-Net: Scalable Deep Learning with Novel FloraSyntropy Archive for Large-Scale Plant Disease Diagnosis
• Title（参考訳）: FloraSyntropy-Net:大規模植物病診断のための新しいFloraSyntropy Archiveによるスケーラブルディープラーニング
• Authors: Saif Ur Rehman Khan, Muhammad Nabeel Asim, Sebastian Vollmer, Andreas Dengel,
• Abstract要約: 植物病の早期診断は、世界の食品安全にとって重要である。 ほとんどのAIソリューションは、現実世界の農業の多様性に必要な一般化を欠いている。 植物35種にわたる178,922枚の画像からなる大規模データセットであるFloraSyntropy Archiveを紹介した。 次に,新しいフェデレート学習フレームワークであるFloraSyntropy-Netを提案する。
• 参考スコア（独自算出の注目度）: 6.432534227472963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early diagnosis of plant diseases is critical for global food safety, yet most AI solutions lack the generalization required for real-world agricultural diversity. These models are typically constrained to specific species, failing to perform accurately across the broad spectrum of cultivated plants. To address this gap, we first introduce the FloraSyntropy Archive, a large-scale dataset of 178,922 images across 35 plant species, annotated with 97 distinct disease classes. We establish a benchmark by evaluating numerous existing models on this archive, revealing a significant performance gap. We then propose FloraSyntropy-Net, a novel federated learning framework (FL) that integrates a Memetic Algorithm (MAO) for optimal base model selection (DenseNet201), a novel Deep Block for enhanced feature representation, and a client-cloning strategy for scalable, privacy-preserving training. FloraSyntropy-Net achieves a state-of-the-art accuracy of 96.38% on the FloraSyntropy benchmark. Crucially, to validate its generalization capability, we test the model on the unrelated multiclass Pest dataset, where it demonstrates exceptional adaptability, achieving 99.84% accuracy. This work provides not only a valuable new resource but also a robust and highly generalizable framework that advances the field towards practical, large-scale agricultural AI applications.
• Abstract（参考訳）: 植物病の早期診断はグローバルな食品安全にとって重要であるが、ほとんどのAIソリューションは、現実世界の農業の多様性に必要な一般化を欠いている。 これらのモデルは通常特定の種に制限され、栽培された植物の広い範囲で正確に機能しない。 このギャップに対処するために、まずフィラシントロピーアーカイブ(FloraSyntropy Archive)を紹介します。 このアーカイブ上で、多数の既存モデルを評価することでベンチマークを確立し、大きなパフォーマンスギャップを明らかにします。 次に、フローラシントロピーネット(FloraSyntropy-Net)を提案する。このフレームワークは、最適ベースモデル選択(DenseNet201)のためのメメティックアルゴリズム(MAO)と、拡張された特徴表現のためのDeep Blockと、スケーラブルでプライバシ保護のトレーニングのためのクライアントクローズング戦略を統合した、新しいフェデレーション学習フレームワーク(FL)である。 FloraSyntropy-Netは、FloraSyntropyベンチマークで96.38%の最先端の精度を達成した。 重要なことに、その一般化能力を検証するために、関係のないマルチクラスPestデータセットでモデルをテストし、例外的な適応性を示し、99.84%の精度を達成した。 この作業は、価値ある新しいリソースを提供するだけでなく、実用的で大規模な農業用AIアプリケーションに向けた分野を前進させる、堅牢で、高度に一般化可能なフレームワークも提供する。

関連論文リスト

• Automated Multi-Class Crop Pathology Classification via Convolutional Neural Networks: A Deep Learning Approach for Real-Time Precision Agriculture [0.0]
  本研究では,コンボリューショナルニューラルネットワーク(CNN)を用いた画像分類システムを提案する。 このソリューションは、オープンソースでモバイル互換のプラットフォーム上にデプロイされ、リモートエリアの農家に対してリアルタイムの画像ベースの診断を可能にする。
  論文  参考訳（メタデータ） (2025-07-12T18:45:50Z)
• 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)
• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• Fine-tuning Global Model via Data-Free Knowledge Distillation for Non-IID Federated Learning [86.59588262014456]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ制約下での分散学習パラダイムである。 サーバ内のグローバルモデル(FedFTG)を微調整するデータフリー知識蒸留法を提案する。 私たちのFedFTGは最先端(SOTA)のFLアルゴリズムよりも優れており、FedAvg、FedProx、FedDyn、SCAFFOLDの強化のための強力なプラグインとして機能します。
  論文  参考訳（メタデータ） (2022-03-17T11:18:17Z)
• Federated and Generalized Person Re-identification through Domain and Feature Hallucinating [88.77196261300699]
  人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。 一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。 提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-05T09:15:13Z)
• 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)
• Scalable learning for bridging the species gap in image-based plant phenotyping [2.208242292882514]
  ディープラーニング(データ収集、注釈付け、トレーニング)を適用する従来のパラダイムは、イメージベースの植物表現には適用できない。 データコストには、物理的サンプルの育成、イメージングとラベル付けが含まれる。 モデル性能は、各植物種のドメイン間の種間ギャップによって影響を受ける。
  論文  参考訳（メタデータ） (2020-03-24T10:26:40Z)

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。