論文の概要: A Hybrid CNN-ViT-GNN Framework with GAN-Based Augmentation for Intelligent Weed Detection in Precision Agriculture

• arxiv url: http://arxiv.org/abs/2511.15535v1
• Date: Wed, 19 Nov 2025 15:32:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.872475
• Title: A Hybrid CNN-ViT-GNN Framework with GAN-Based Augmentation for Intelligent Weed Detection in Precision Agriculture
• Title（参考訳）: GANに基づく精密農業における知的雑草検出のためのハイブリッドCNN-ViT-GNNフレームワーク
• Authors: Pandiyaraju V, Abishek Karthik, Sreya Mynampati, Poovarasan L, D. Saraswathi,
• Abstract要約: 本稿では,雑草検出のためのハイブリッドディープラーニングフレームワークのレシピを提案する。 クラスロバスト性をバランスさせ,モデルの一般化を図るため,GANに基づく拡張手法が導入された。 実験結果は、99.33%の精度、精度、リコール、マルチベンチマークデータセット上のF1スコアで優れた結果が得られる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The task of weed detection is an essential element of precision agriculture since accurate species identification allows a farmer to selectively apply herbicides and fits into sustainable agriculture crop management. This paper proposes a hybrid deep learning framework recipe for weed detection that utilizes Convolutional Neural Networks (CNNs), Vision Transformers (ViTs), and Graph Neural Networks (GNNs) to build robustness to multiple field conditions. A Generative Adversarial Network (GAN)-based augmentation method was imposed to balance class distributions and better generalize the model. Further, a self-supervised contrastive pre-training method helps to learn more features from limited annotated data. Experimental results yield superior results with 99.33% accuracy, precision, recall, and F1-score on multi-benchmark datasets. The proposed model architecture enables local, global, and relational feature representations and offers high interpretability and adaptability. Practically, the framework allows real-time, efficient deployment to edge devices for automated weed detecting, reducing over-reliance on herbicides and providing scalable, sustainable precision-farming options.
• Abstract（参考訳）: 正確な種を特定することにより、農夫は農薬を選択的に適用し、持続可能な農作物管理に適合できるため、雑草検出の課題は精密農業の重要な要素である。 本稿では、畳み込みニューラルネットワーク(CNN)、ビジョントランスフォーマー(ViT)、グラフニューラルネットワーク(GNN)を用いた雑草検出のためのハイブリッドディープラーニングフレームワークのレシピを提案する。 クラス分布のバランスをとるためにGAN(Generative Adversarial Network)に基づく拡張法が導入された。 さらに、自己教師付きコントラスト事前学習法は、限られた注釈付きデータからより多くの特徴を学習するのに役立つ。 実験結果は、99.33%の精度、精度、リコール、マルチベンチマークデータセット上のF1スコアで優れた結果が得られる。 提案したモデルアーキテクチャは,局所的,グローバル的,リレーショナルな特徴表現を可能にし,高い解釈性と適応性を提供する。 実際には、このフレームワークは、自動雑草検出のためのエッジデバイスへのリアルタイムかつ効率的なデプロイを可能にし、除草剤への過度な依存を低減し、スケーラブルで持続可能な精度のファーミングオプションを提供する。

関連論文リスト

• CausalKANs: interpretable treatment effect estimation with Kolmogorov-Arnold networks [42.852654951995426]
  causalKANsは、条件付き平均治療効果(CATE)の神経推定器をコルモゴロフ-アルノルドネットワーク(KAN)に変換するフレームワークである。 プルーニングと記号の単純化を取り入れることで、コーサルカンは予測精度を保ちながら解釈可能な閉形式式を得る。
  論文  参考訳（メタデータ） (2025-09-26T15:16:06Z)
• MRD-LiNet: A Novel Lightweight Hybrid CNN with Gradient-Guided Unlearning for Improved Drought Stress Identification [0.0]
  干ばつは世界の作物生産にとって大きな脅威である。 本稿では、ResNet、DenseNet、MobileNetアーキテクチャにインスパイアされた軽量なハイブリッドCNNフレームワークを提案する。 このフレームワークは、従来のCNNやVision Transformerモデルと比較して、トレーニング可能なパラメータの15倍の大幅な削減を実現している。
  論文  参考訳（メタデータ） (2025-09-08T06:46:35Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• 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)
• WeedsGalore: A Multispectral and Multitemporal UAV-based Dataset for Crop and Weed Segmentation in Agricultural Maize Fields [0.7421845364041001]
  雑草は作物の収穫が減少する主な原因の1つであるが、現在の雑草の慣行は、効率的で標的とした方法で雑草を管理するのに失敗している。 農作物畑における作物と雑草のセマンティックスとインスタンスセグメンテーションのための新しいデータセットを提案する。
  論文  参考訳（メタデータ） (2025-02-18T18:13:19Z)
• DCNN: Dual Cross-current Neural Networks Realized Using An Interactive Deep Learning Discriminator for Fine-grained Objects [48.65846477275723]
  本研究では、微細な画像分類の精度を向上させるために、新しい二重電流ニューラルネットワーク(DCNN)を提案する。 弱い教師付き学習バックボーンモデルを構築するための新しい特徴として、(a)異種データの抽出、(b)特徴マップの解像度の維持、(c)受容領域の拡大、(d)グローバル表現と局所特徴の融合などがある。
  論文  参考訳（メタデータ） (2024-05-07T07:51:28Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
  種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。 従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。 マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:06:51Z)
• Towards a Multimodal System for Precision Agriculture using IoT and Machine Learning [0.5249805590164902]
  データ収集のためのIoT(Internet of Things)や、作物の損傷予測のための機械学習、作物の病気検出のためのディープラーニングといった技術が使用されている。 作物の被害予測には、ランダムフォレスト(RF)、光勾配昇降機(LGBM)、XGBoost(XGB)、決定木(DT)、K Nearest Neighbor(KNN)などのアルゴリズムが用いられている。 VGG16、Resnet50、DenseNet121といった事前学習された畳み込みニューラルネットワーク(CNN)モデルも、作物が何らかの病気で汚染されているかどうかを確認するために訓練されている。
  論文  参考訳（メタデータ） (2021-07-10T19:19:45Z)
• Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
  グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。 提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
  論文  参考訳（メタデータ） (2020-06-07T07:06:35Z)

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。