論文の概要: CBAM Integrated Attention Driven Model For Betel Leaf Diseases Classification With Explainable AI

• arxiv url: http://arxiv.org/abs/2509.26484v1
• Date: Tue, 30 Sep 2025 16:30:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.204076
• Title: CBAM Integrated Attention Driven Model For Betel Leaf Diseases Classification With Explainable AI
• Title（参考訳）: CBAM統合注意駆動モデルによるBetel Leaf Diseasesの分類と説明可能なAI
• Authors: Sumaiya Tabassum, Md. Faysal Ahamed,
• Abstract要約: 本稿では,わずか213万パラメータ(8.13MB)の軽量CBAM-CNNモデルを提案する。 葉病クラス間の微小変動を識別するモデルの能力は、統合的注意機構によって改善される。 提案されたモデルは97%の精度、94%のリコール、95%のF1スコア、95.58%の精度を達成した。
• 参考スコア（独自算出の注目度）: 0.48342038441006796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Betel leaf is an important crop because of its economic advantages and widespread use. Its betel vines are susceptible to a number of illnesses that are commonly referred to as betel leaf disease. Plant diseases are the largest threat to the food supply's security, and they are challenging to identify in time to stop possible financial damage. Interestingly, artificial intelligence can leave a big mark on the betel leaf industry since it helps with output growth by forecasting sickness. This paper presents a lightweight CBAM-CNN model with just 2.13 million parameters (8.13 MB), incorporating CBAM (Convolutional Block Attention Module) to improve feature emphasis without depending on heavy pre-trained networks. The model's capacity to discern minute variations among leaf disease classes is improved by the integrated attention mechanism, which allows it to adaptively focus on significant spatial and channel-wise information. In order to ensure class balance and diversity for efficient model training and validation, this work makes use of an enriched dataset of 10,185 images divided into three categories: Healthy Leaf, Leaf Rot, and Leaf Spot. The proposed model achieved a precision of 97%, recall of 94%, and F1 score of 95%, and 95.58% accuracy on the test set demonstrating strong and balanced classification performance outperforming traditional pre trained CNN models. The model's focus regions were visualized and interpreted using Grad-CAM (Gradient-weighted Class Activation Mapping), an explainable AI technique.
• Abstract（参考訳）: ベテルの葉は経済的優位性と広く利用されているため重要な作物である。 ベテルワインは、一般にベテルリーフ病と呼ばれる多くの病気に感受性がある。 植物病は食料供給の安全を脅かす最大の脅威であり、財政的損害を避けるために時間をかけて特定することは困難である。 興味深いことに、人工知能はベテルの葉産業に大きな影響を与えている。 本稿では,CBAM(Convolutional Block Attention Module)を組み込んだ213万パラメータ(8.13MB)の軽量CBAM-CNNモデルを提案する。 葉病クラス間の微小な変化を識別するモデルの能力は、統合された注意機構によって改善され、空間的およびチャネル的な重要な情報に適応的に焦点を合わせることができる。 効率的なモデルトレーニングと検証のために、クラスのバランスと多様性を確保するために、この研究では、10,185枚の画像の豊富なデータセットをHealthy Leaf、Leaf Rot、Leaf Spotの3つのカテゴリに分割した。 提案されたモデルは、97%の精度、94%のリコール、95%のF1スコア、95.58%の精度を達成し、従来のCNNモデルよりも強力な、バランスの取れた分類性能を示した。 モデルのフォーカス領域を可視化し、説明可能なAI技術であるGrad-CAM(Gradient-weighted Class Activation Mapping)を用いて解釈した。

関連論文リスト

• Handling imbalance and few-sample size in ML based Onion disease classification [1.3177681589844814]
  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。
  論文  参考訳（メタデータ） (2025-09-01T19:05:39Z)
• 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)
• Ustnlp16 at SemEval-2025 Task 9: Improving Model Performance through Imbalance Handling and Focal Loss [38.70308073598037]
  分類タスクは、しばしば厳しいクラス不均衡、短いテキストと非構造化テキスト、および重なり合うセマンティックカテゴリに悩まされる。 本稿では,SemEval-2025 Task 9: Food Hazard Detectionを提案する。
  論文  参考訳（メタデータ） (2025-04-24T16:35:44Z)
• Enhancing Leaf Disease Classification Using GAT-GCN Hybrid Model [0.23301643766310373]
  本研究では,葉病分類のためのグラフ注意ネットワーク(GAT)とグラフ畳み込みネットワーク(GCN)を組み合わせたハイブリッドモデルを提案する。 GCNはグラフ構造化データから学習するために広く使われており、GATは最も重要な隣人に焦点を当てるために注意機構を組み込むことによってこれを強化している。 エッジ拡張技術は、モデルの検知能力にかなりの一般化をもたらした。
  論文  参考訳（メタデータ） (2025-04-07T06:31:38Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
  DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。 特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
  論文  参考訳（メタデータ） (2024-09-23T17:11:04Z)
• Early Detection of Coffee Leaf Rust Through Convolutional Neural Networks Trained on Low-Resolution Images [27.195033353775006]
  コーヒー葉のさびは、真菌のHemileia vastatrixによって引き起こされた葉病であり、コーヒー生産にとって大きな脅威となる。 早期疾患検出を強化するためのディープラーニングモデルは、広範囲な処理能力と大量のデータを必要とする。 本稿では,高域通過フィルタを用いたトレーニング画像のコントラスト向上を目的とした前処理手法を提案する。
  論文  参考訳（メタデータ） (2024-07-20T03:24:25Z)
• Leveraging Knowledge Distillation for Lightweight Skin Cancer Classification: Balancing Accuracy and Computational Efficiency [0.0]
  皮膚がんは公衆衛生にとって大きな関心事であり、報告されているがんの3分の1を占めている。 本稿では,軽量ながら高い性能の分類器を作成するための知識蒸留に基づく手法を提案する。 高精度でコンパクトなサイズを持つため、われわれのモデルは、特に資源制約のある環境では、正確な皮膚がん分類の候補となる可能性がある。
  論文  参考訳（メタデータ） (2024-06-24T18:13:09Z)

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。