論文の概要: Robust Plant Disease Diagnosis with Few Target-Domain Samples

• arxiv url: http://arxiv.org/abs/2510.12909v1
• Date: Tue, 14 Oct 2025 18:32:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.383646
• Title: Robust Plant Disease Diagnosis with Few Target-Domain Samples
• Title（参考訳）: ターゲット-ドメインサンプルの少ないロバスト植物病診断
• Authors: Takafumi Nogami, Satoshi Kagiwada, Hitoshi Iyatomi,
• Abstract要約: 優先サンプリングを用いた学習フレームワークTarget-Aware Metric Learningを提案する。 TMPSは、ターゲット(デプロイ)ドメインから限られた数のラベル付きサンプルにアクセスすると仮定して動作する。 TMPSは、同じソースとターゲットのサンプルを併用してトレーニングされたモデルを上回る。
• 参考スコア（独自算出の注目度）: 1.4401311275746886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Various deep learning-based systems have been proposed for accurate and convenient plant disease diagnosis, achieving impressive performance. However, recent studies show that these systems often fail to maintain diagnostic accuracy on images captured under different conditions from the training environment -- an essential criterion for model robustness. Many deep learning methods have shown high accuracy in plant disease diagnosis. However, they often struggle to generalize to images taken in conditions that differ from the training setting. This drop in performance stems from the subtle variability of disease symptoms and domain gaps -- differences in image context and environment. The root cause is the limited diversity of training data relative to task complexity, making even advanced models vulnerable in unseen domains. To tackle this challenge, we propose a simple yet highly adaptable learning framework called Target-Aware Metric Learning with Prioritized Sampling (TMPS), grounded in metric learning. TMPS operates under the assumption of access to a limited number of labeled samples from the target (deployment) domain and leverages these samples effectively to improve diagnostic robustness. We assess TMPS on a large-scale automated plant disease diagnostic task using a dataset comprising 223,073 leaf images sourced from 23 agricultural fields, spanning 21 diseases and healthy instances across three crop species. By incorporating just 10 target domain samples per disease into training, TMPS surpasses models trained using the same combined source and target samples, and those fine-tuned with these target samples after pre-training on source data. It achieves average macro F1 score improvements of 7.3 and 3.6 points, respectively, and a remarkable 18.7 and 17.1 point improvement over the baseline and conventional metric learning.
• Abstract（参考訳）: 植物病の診断を正確かつ簡便に行うための深層学習システムも提案されている。 しかし、最近の研究では、これらのシステムは、訓練環境と異なる条件下で取得した画像の診断精度を維持するのに失敗することが多い。それは、モデル堅牢性にとって必須の基準である。多くのディープラーニング手法は、植物病の診断において高い精度を示す。しかし、トレーニング環境と異なる条件下で撮影された画像への一般化に苦慮することが多い。この性能低下は、疾患の症状とドメインギャップの微妙な変動、すなわち画像コンテキストと環境の違いに起因する。 根本原因は、タスクの複雑さに対するトレーニングデータの多様性が限られていることだ。 この課題に対処するために,計量学習を基礎としたTMPS(Target-Aware Metric Learning with Prioritized Smpling)という,シンプルで高度に適応可能な学習フレームワークを提案する。 TMPSはターゲットドメイン(デプロイ)からの限られた数のラベル付きサンプルへのアクセスを前提として動作し、これらのサンプルを効果的に利用して診断の堅牢性を改善する。 大規模自動植物病診断タスクにおけるTMPSの評価には,23の農地から得られた223,073個の葉画像を用いて,21の病原体と3つの作物の健全な事例にまたがるデータセットを用いた。 TMPSは、病気当たり10のターゲットドメインサンプルをトレーニングに組み込むことで、同じソースとターゲットサンプルを使用してトレーニングされたモデルを超え、ソースデータで事前トレーニングした後にこれらのターゲットサンプルを微調整する。 平均マクロF1スコアは、それぞれ7.3点と3.6点で改善され、18.7点と17.1点がベースラインと従来のメートル法学習で改善された。

関連論文リスト

• DDD: Discriminative Difficulty Distance for plant disease diagnosis [2.7992435001846827]
  植物病の診断は難しい分類課題である。 差別的困難距離(DDD)は、トレーニングとテストデータセットの間のドメインギャップを定量化するために設計された、新しいメトリクスである。
  論文  参考訳（メタデータ） (2025-01-01T05:34:59Z)
• Few-shot Metric Domain Adaptation: Practical Learning Strategies for an Automated Plant Disease Diagnosis [2.7992435001846827]
  FMDA(Few-shot Metric Domain Adaptation)は、実用的なシステムにおける診断精度を高めるための柔軟で効果的なアプローチである。 FMDAは、ソース(トレーニング)データの特徴空間とターゲットデータとの"距離"を最小限に抑える診断モデルに制約を導入することで、ドメインの相違を低減します。 大規模な実験では、FMDAはF1スコアを11.1点から29.3点に改善した。
  論文  参考訳（メタデータ） (2024-12-25T10:01:30Z)
• On the Out of Distribution Robustness of Foundation Models in Medical Image Segmentation [47.95611203419802]
  視覚と言語の基礎は、様々な自然画像とテキストデータに基づいて事前訓練されており、有望なアプローチとして現れている。 一般化性能を,同じ分布データセット上で微調整した後,事前学習した各種モデルの未確認領域と比較した。 さらに,凍結モデルに対する新しいベイズ不確実性推定法を開発し,分布外データに基づくモデルの性能評価指標として利用した。
  論文  参考訳（メタデータ） (2023-11-18T14:52:10Z)
• Towards Robust Plant Disease Diagnosis with Hard-sample Re-mining Strategy [6.844857856353672]
  ハードサンプルリマイニング(HSReM)という,シンプルだが効果的なトレーニング戦略を提案する。 HSReMは、健康なデータの診断性能を高め、同時に疾患データの性能を向上させるように設計されている。 実験の結果,HSReMトレーニング戦略は大規模未確認データに対する診断性能を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2023-09-05T02:26:42Z)
• MedFMC: A Real-world Dataset and Benchmark For Foundation Model Adaptation in Medical Image Classification [41.16626194300303]
  ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。 最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。 しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
  論文  参考訳（メタデータ） (2023-06-16T01:46:07Z)
• 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)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• 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)

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。