論文の概要: Handling imbalance and few-sample size in ML based Onion disease classification

• arxiv url: http://arxiv.org/abs/2509.05341v1
• Date: Mon, 01 Sep 2025 19:05:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.443161
• Title: Handling imbalance and few-sample size in ML based Onion disease classification
• Title（参考訳）: MLにおけるオニオン病分類の扱い不均衡と小サンプルサイズ
• Authors: Abhijeet Manoj Pal, Rajbabu Velmurugan,
• Abstract要約: タマネギの作物病および害虫の多種分類のための頑健な深層学習モデルを提案する。 実世界のフィールド画像データセットに96.90%の精度と0.96のF1スコアを与えるモデルを与える。
• 参考スコア（独自算出の注目度）: 1.3177681589844814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate classification of pests and diseases plays a vital role in precision agriculture, enabling efficient identification, targeted interventions, and preventing their further spread. However, current methods primarily focus on binary classification, which limits their practical applications, especially in scenarios where accurately identifying the specific type of disease or pest is essential. We propose a robust deep learning based model for multi-class classification of onion crop diseases and pests. We enhance a pre-trained Convolutional Neural Network (CNN) model by integrating attention based modules and employing comprehensive data augmentation pipeline to mitigate class imbalance. We propose a model which gives 96.90% overall accuracy and 0.96 F1 score on real-world field image dataset. This model gives better results than other approaches using the same datasets.
• Abstract（参考訳）: 害虫と病気の正確な分類は、精密農業において重要な役割を担い、効率的な識別、標的とした介入、さらなる拡散の防止を可能にしている。 しかし、現在の手法は主に二分分類に焦点を当てており、特に特定の病種や害虫を正確に特定することが不可欠であるシナリオにおいて、それらの実践的応用を制限している。 タマネギの作物病および害虫の多種分類のための頑健な深層学習モデルを提案する。 我々は、注意ベースのモジュールを統合し、クラス不均衡を軽減するために包括的なデータ拡張パイプラインを活用することにより、事前訓練された畳み込みニューラルネットワーク(CNN)モデルを強化する。 実世界のフィールド画像データセットで96.90%の精度と0.96F1のスコアを与えるモデルを提案する。 このモデルは、同じデータセットを使用する他のアプローチよりも優れた結果をもたらす。

関連論文リスト

• Benchmarking Foundation Models for Mitotic Figure Classification [0.37334049820361814]
  自己教師付き学習技術は、大規模なニューラルネットワークのトレーニングに大量のラベルのないデータを使用することを可能にした。 本研究では,ミオティックフィギュア分類における基礎モデルの利用について検討する。 我々は、すべてのモデルと、CNNとVision Transformerの両方のエンドツーエンドトレーニングベースラインを比較した。
  論文  参考訳（メタデータ） (2025-08-06T13:30:40Z)
• CXR-CML: Improved zero-shot classification of long-tailed multi-label diseases in Chest X-Rays [3.196204482566275]
  臨床所見の分布におけるクラス不均衡は,自己教師型ディープラーニングモデルにおいて重要な課題である。 本稿では,潜在空間内のクラス分布と直接整合するクラス重み付け機構を提案する。 提案手法では,MIMIC-CXR-JPGデータセットの40クラスで0ショットAUCスコアが7%向上した。
  論文  参考訳（メタデータ） (2025-07-25T16:05:47Z)
• Detection and Classification of Diseases in Multi-Crop Leaves using LSTM and CNN Models [0.0]
  植物病は作物の収穫量を減らし、食糧品質に影響を与えることで農業に深刻な課題をもたらす。 本研究では,植物葉病の分類に畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)モデルを適用した。
  論文  参考訳（メタデータ） (2025-04-30T02:36:51Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
  CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。 本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。 結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
  論文  参考訳（メタデータ） (2022-04-18T13:31:53Z)
• PCA-RF: An Efficient Parkinson's Disease Prediction Model based on Random Forest Classification [3.6704226968275258]
  本稿では,パーキンソン病に対する無作為な森林分類を行う病気予測手法を提案する。 このモデルの精度を主成分分析 (PCA) に適用したニューラルネットワーク (ANN) モデルと比較し, 可視差を捉えた。 モデルの精度は最大90%まで向上した。
  論文  参考訳（メタデータ） (2022-03-21T18:59:08Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。