論文の概要: From Code to Field: Evaluating the Robustness of Convolutional Neural Networks for Disease Diagnosis in Mango Leaves

• arxiv url: http://arxiv.org/abs/2512.13641v1
• Date: Mon, 15 Dec 2025 18:36:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.807789
• Title: From Code to Field: Evaluating the Robustness of Convolutional Neural Networks for Disease Diagnosis in Mango Leaves
• Title（参考訳）: コードからフィールドへ:マンゴー葉病診断のための畳み込みニューラルネットワークのロバスト性の評価
• Authors: Gabriel Vitorino de Andrade, Saulo Roberto dos Santos, Itallo Patrick Castro Alves da Silva, Emanuel Adler Medeiros Pereira, Erick de Andrade Barboza,
• Abstract要約: 葉の病気を診断するためのモデルの堅牢性についての研究は乏しい。 本稿では, 畳み込みニューラルネットワーク(CNN)を悪条件下で評価する手法を提案する。 その結果、LCNNは現実世界のシナリオで見られる汚職の複雑なモデルよりも優れていた。
• 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 validation and verification of artificial intelligence (AI) models through robustness assessment are essential to guarantee the reliable performance of intelligent systems facing real-world challenges, such as image corruptions including noise, blurring, and weather variations. Despite the global importance of mango (Mangifera indica L.), there is a lack of studies on the robustness of models for the diagnosis of disease in its leaves. This paper proposes a methodology to evaluate convolutional neural networks (CNNs) under adverse conditions. We adapted the MangoLeafDB dataset, generating MangoLeafDB-C with 19 types of artificial corruptions at five severity levels. We conducted a benchmark comparing five architectures: ResNet-50, ResNet-101, VGG-16, Xception, and LCNN (the latter being a lightweight architecture designed specifically for mango leaf diagnosis). The metrics include the F1 score, the corruption error (CE) and the relative mean corruption error (relative mCE). The results show that LCNN outperformed complex models in corruptions that can be present in real-world scenarios such as Defocus Blur, Motion Blur, while also achieving the lowest mCE. Modern architectures (e.g., ResNet-101) exhibited significant performance degradation in corrupted scenarios, despite their high accuracy under ideal conditions. These findings suggest that lightweight and specialized models may be more suitable for real-world applications in edge devices, where robustness and efficiency are critical. The study highlights the need to incorporate robustness assessments in the development of intelligent systems for agriculture, particularly in regions with technological limitations.
• Abstract（参考訳）: 堅牢性評価による人工知能(AI)モデルの検証と検証は、ノイズ、ぼやけ、天候変動など、現実の課題に直面しているインテリジェントシステムの信頼性の高い性能を保証するために不可欠である。 マンゴー (Mangifera indica L.) の国際的重要性にもかかわらず, 葉の病原性診断モデルについての研究は乏しい。 本稿では,畳み込みニューラルネットワーク(CNN)を悪条件下で評価する手法を提案する。 我々はMangoLeafDBデータセットを適応させ、MangoLeafDB-Cを5つの重度レベルで19種類の人工汚職で生成した。 ResNet-50, ResNet-101, VGG-16, Xception, LCNNの5つのアーキテクチャを比較した。 測定基準には、F1スコア、汚職エラー(CE)、相対平均汚職エラー(相対mCE)が含まれる。 その結果、LCNNはDefocus BlurやMotion Blurといった現実世界のシナリオで見られるような汚職の複雑なモデルよりも優れており、最低のmCEも達成できた。 現代のアーキテクチャ(例えばResNet-101)は、理想的な条件下での精度にもかかわらず、破損したシナリオで大幅な性能低下を示した。 これらの結果は、軽量で専門的なモデルは、堅牢性と効率性が重要であるエッジデバイスにおける現実世界のアプリケーションにより適している可能性があることを示唆している。 この研究は、特に技術的制限のある地域では、農業のためのインテリジェントシステムの開発に堅牢性評価を組み込む必要性を強調している。

関連論文リスト

• NIRVANA: Structured pruning reimagined for large language models compression [50.651730342011014]
  直近のゼロショット保存精度と頑健な微調整のバランスをとるために, NIRVANAを導入した。 構造化プルーニングによって引き起こされる固有の課題にさらに対処するため、NIRVANAは層やモジュール間の適応的な空間割当機構を取り入れている。 Llama3, Qwen, T5モデルで行った実験では、NIRVANAは等価な空間制約の下で既存の構造化プルーニング法よりも優れていた。
  論文  参考訳（メタデータ） (2025-09-17T17:59:00Z)
• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• Plant Disease Detection through Multimodal Large Language Models and Convolutional Neural Networks [0.5009853409756729]
  本研究では,多モーダル大規模言語モデル(LLM)と畳み込みニューラルネットワーク(CNN)を併用した葉のイメージを用いた植物病の自動分類の有効性について検討した。 ゼロショット,少数ショット,プログレッシブ微調整シナリオのモデル性能を評価する。
  論文  参考訳（メタデータ） (2025-04-29T04:31:58Z)
• Adaptive Distraction: Probing LLM Contextual Robustness with Automated Tree Search [76.54475437069395]
  大きな言語モデル(LLM)は、意味的に一貫性があるがタスクに依存しないコンテキスト情報に直面している場合、元のパフォーマンスを維持するのに苦労することが多い。 本稿では,木探索に基づく動的散逸生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-03T18:43:36Z)
• 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)
• Fast and Accurate Error Simulation for CNNs against Soft Errors [64.54260986994163]
  本稿では,誤りシミュレーションエンジンを用いて,コナールニューラルネットワーク(CNN)の信頼性解析のためのフレームワークを提案する。 これらの誤差モデルは、故障によって誘導されるCNN演算子の出力の破損パターンに基づいて定義される。 提案手法は,SASSIFIの欠陥効果の約99%の精度と,限定的なエラーモデルのみを実装した44倍から63倍までのスピードアップを実現する。
  論文  参考訳（メタデータ） (2022-06-04T19:45:02Z)
• Benchmarking the Robustness of Spatial-Temporal Models Against Corruptions [32.821121530785504]
  我々は、画像の空間的腐敗を超えた時間的腐敗を考慮した、汚職堅牢性ベンチマーク、Mini Kinetics-CとMini SSV2-Cを確立する。 我々は、確立されたCNNベースおよびトランスフォーマーベースの時空間時間モデルにおける破壊堅牢性に関する徹底的な研究を行うための最初の試みを行う。
  論文  参考訳（メタデータ） (2021-10-13T05:59:39Z)

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。