論文の概要: A Diversity-optimized Deep Ensemble Approach for Accurate Plant Leaf Disease Detection

• arxiv url: http://arxiv.org/abs/2511.16982v1
• Date: Fri, 21 Nov 2025 06:29:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.903953
• Title: A Diversity-optimized Deep Ensemble Approach for Accurate Plant Leaf Disease Detection
• Title（参考訳）: 植物葉の高精度検出のための多様性最適化ディープアンサンブルアプローチ
• Authors: Sai Nath Chowdary Medikonduru, Hongpeng Jin, Yanzhao Wu,
• Abstract要約: 植物病は世界の農業にとって重大な脅威となり、年間2200億ドル以上の経済損失と食料安全保障の危機を引き起こしている。 Deep Ensemblesは、多様なDeep Neural Networks(DNN)の強みを活用して予測精度を高める強力なアプローチとして登場した。 植物病の検出精度を高めるためにSQ(Synergistic Diversity)フレームワークを導入する。
• 参考スコア（独自算出の注目度）: 1.4413635649881533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Plant diseases pose a significant threat to global agriculture, causing over $220 billion in annual economic losses and jeopardizing food security. The timely and accurate detection of these diseases from plant leaf images is critical to mitigating their adverse effects. Deep neural network Ensembles (Deep Ensembles) have emerged as a powerful approach to enhancing prediction accuracy by leveraging the strengths of diverse Deep Neural Networks (DNNs). However, selecting high-performing ensemble member models is challenging due to the inherent difficulty in measuring ensemble diversity. In this paper, we introduce the Synergistic Diversity (SQ) framework to enhance plant disease detection accuracy. First, we conduct a comprehensive analysis of the limitations of existing ensemble diversity metrics (denoted as Q metrics), which often fail to identify optimal ensemble teams. Second, we present the SQ metric, a novel measure that captures the synergy between ensemble members and consistently aligns with ensemble accuracy. Third, we validate our SQ approach through extensive experiments on a plant leaf image dataset, which demonstrates that our SQ metric substantially improves ensemble selection and enhances detection accuracy. Our findings pave the way for a more reliable and efficient image-based plant disease detection.
• Abstract（参考訳）: 植物病は世界の農業にとって重大な脅威となり、年間2200億ドル以上の経済損失と食料安全保障の危機を引き起こしている。 植物葉の画像からこれらの病気をタイムリーかつ正確に検出することは、その悪影響を軽減するために重要である。 ディープ・ニューラルネットワーク・アンサンブル(ディープ・アンサンブル)は、多様なディープ・ニューラルネットワーク(DNN)の強みを活用して予測精度を高めるための強力なアプローチとして登場した。 しかし、アンサンブルの多様性を測定するのに固有の困難さのため、高性能アンサンブルメンバーモデルを選択することは困難である。 本稿では,植物病の検出精度を高めるためのSQフレームワークを提案する。 まず、既存のアンサンブル多様性メトリクス(Qメトリクスと表記される)の制限を包括的に分析し、最適なアンサンブルチームを特定するのに失敗することが多い。 第2に,アンサンブルメンバー間のシナジーを捕捉し,アンサンブル精度と一貫して整合する新しい尺度であるSQ尺度を提案する。 第3に,植物葉画像データセットの広範な実験によりSQアプローチを検証することにより,SQメトリックがアンサンブル選択を大幅に改善し,検出精度を高めることを示す。 より信頼性が高く,効率的な画像ベース植物病検出の道を開いた。

関連論文リスト

• CT-CLIP: A Multi-modal Fusion Framework for Robust Apple Leaf Disease Recognition in Complex Environments [2.956716588681065]
  本研究では,CNN-Transformer-CLIP (CT-CLIP) というマルチブランチ認識フレームワークを提案する。 アダプティブ・フィーチャー・フュージョン・モジュール(AFFM)はこれらの特徴を動的に融合させ、局所情報とグローバル情報の最適な結合を実現する。 CT-CLIPは、利用可能なリンゴ病と自己構築したデータセットに対して97.38%と96.12%の精度を達成し、いくつかのベースライン法より優れている。
  論文  参考訳（メタデータ） (2025-10-24T11:23:47Z)
• Dendrograms of Mixing Measures for Softmax-Gated Gaussian Mixture of Experts: Consistency without Model Sweeps [41.371172458797524]
  ゲーティングパラメータの共通翻訳、固有のゲート-エキスパート相互作用、およびタイトな数値-デノミネータ結合までの不特定性に対処する。 モデル選択には, 最適なパラメータ率を得る専門家の数を一貫したスイープフリーセレクタとして, デンドログラム誘導SGMoEを適応させる。 干ばつを識別できるトウモロコシの形質のデータセット上で、私たちのデンドログラム誘導SGMoEは2人の専門家を選別し、明確な混合階層を公開し、確率を早期に安定化し、解釈可能な遺伝子型フェノタイプマップを生成する。
  論文  参考訳（メタデータ） (2025-10-14T17:23:44Z)
• Metrics that matter: Evaluating image quality metrics for medical image generation [48.85783422900129]
  本研究は、脳MRIデータを用いて、一般的に使用される非参照画像品質指標を包括的に評価する。 本研究は, ノイズ, 分布変化, および臨床的に関係のある不正確さを模倣した形態的変化を含む, 様々な課題に対する計量感度を評価する。
  論文  参考訳（メタデータ） (2025-05-12T01:57:25Z)
• DS_FusionNet: Dynamic Dual-Stream Fusion with Bidirectional Knowledge Distillation for Plant Disease Recognition [5.665116885785105]
  本研究では,動的デュアルストリーム融合ネットワーク(DS_FusionNet)を革新的に提案する。 このネットワークは、デュアルバックボーンアーキテクチャ、変形可能な動的融合モジュール、双方向知識蒸留戦略を統合している。 実験の結果,DS_FusionNet は PlantDisease と CIFAR-10 データセットの 10% しか使用せず,90% 以上の分類精度を達成した。
  論文  参考訳（メタデータ） (2025-04-29T17:15:02Z)
• Multi-scale Spatio-temporal Transformer-based Imbalanced Longitudinal Learning for Glaucoma Forecasting from Irregular Time Series Images [45.894671834869975]
  緑内障は、進行性視神経線維損傷と不可逆性失明を引き起こす主要な眼疾患の1つである。 逐次画像入力に適した変換器アーキテクチャに基づくマルチスケール時空間変換器ネットワーク(MST-former)を提案する。 本手法は, 軽度認知障害とアルツハイマー病の予測に90.3%の精度で, アルツハイマー病神経画像イニシアチブ(ADNI)MRIデータセットに優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-02-21T02:16:59Z)
• Reliable Multimodality Eye Disease Screening via Mixture of Student's t Distributions [49.4545260500952]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインEyeMoStについて紹介する。 本モデルでは,一様性に対する局所的不確実性と融合モードに対する大域的不確実性の両方を推定し,信頼性の高い分類結果を生成する。 パブリックデータセットと社内データセットの両方に関する実験結果から、我々のモデルは現在の手法よりも信頼性が高いことが判明した。
  論文  参考訳（メタデータ） (2023-03-17T06:18:16Z)
• 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)
• A fast accurate fine-grain object detection model based on YOLOv4 deep neural network [0.0]
  商業農場や果樹園における植物病の早期発見と予防は、精密農業技術の重要な特徴である。 本稿では,植物病の検出におけるいくつかの障害に対処する高性能なリアルタイム微粒物検出フレームワークを提案する。 提案するモデルは、You Only Look Once (YOLOv4)アルゴリズムの改良版に基づいて構築されている。
  論文  参考訳（メタデータ） (2021-10-30T17:56:13Z)

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。