Fugu-MT 論文翻訳(概要): Interpretable Plant Leaf Disease Detection Using Attention-Enhanced CNN

論文の概要: Interpretable Plant Leaf Disease Detection Using Attention-Enhanced CNN

arxiv url: http://arxiv.org/abs/2512.17864v2
Date: Wed, 24 Dec 2025 15:38:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-25 13:34:31.934078
Title: Interpretable Plant Leaf Disease Detection Using Attention-Enhanced CNN
Title（参考訳）: Attention-Enhanced CNN を用いた植物葉病の診断
Authors: Balram Singh, Ram Prakash Sharma, Somnath Dey,
Abstract要約: 植物病は世界の食料安全保障に重大な脅威をもたらす。本研究は,植物葉病検出のための解釈型注意誘導畳み込みニューラルネットワーク(CNN)CBAM-VGG16を紹介する。
参考スコア（独自算出の注目度）: 6.378633888063113
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Plant diseases pose a significant threat to global food security, necessitating accurate and interpretable disease detection methods. This study introduces an interpretable attention-guided Convolutional Neural Network (CNN), CBAM-VGG16, for plant leaf disease detection. By integrating Convolution Block Attention Module (CBAM) at each convolutional stage, the model enhances feature extraction and disease localization. Trained on five diverse plant disease datasets, our approach outperforms recent techniques, achieving high accuracy (up to 98.87%) and demonstrating robust generalization. Here, we show the effectiveness of our method through comprehensive evaluation and interpretability analysis using CBAM attention maps, Grad-CAM, Grad-CAM++, and Layer-wise Relevance Propagation (LRP). This study advances the application of explainable AI in agricultural diagnostics, offering a transparent and reliable system for smart farming. The code of our proposed work is available at https://github.com/BS0111/PlantAttentionCBAM.
Abstract（参考訳）: 植物病は、地球規模の食料安全保障に重大な脅威となり、正確かつ解釈可能な疾患検出方法を必要とする。本研究は,植物葉病検出のための解釈型注意誘導畳み込みニューラルネットワーク(CNN)CBAM-VGG16を紹介する。畳み込みブロック注意モジュール(CBAM)を各畳み込み段階で統合することにより、特徴抽出と疾患の局所化が促進される。植物病の5つのデータセットを学習し、最近の技術より優れており、高い精度(最大98.87%)を達成し、堅牢な一般化を実証している。本稿では,CBAMアテンションマップ,Grad-CAM,Grad-CAM++,Layer-wise Relevance Propagation (LRP) を用いた包括的評価と解釈可能性解析により,本手法の有効性を示す。本研究は、農業診断における説明可能なAIの適用を推進し、スマート農業のための透明で信頼性の高いシステムを提供する。提案された作業のコードはhttps://github.com/BS0111/PlantAttentionCBAM.comで公開されている。

関連論文リスト

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)
Revisiting Automatic Data Curation for Vision Foundation Models in Digital Pathology [41.34847597178388]
視覚基盤モデル(FM)は、全スライディング画像から抽出された高度に異質なタイルの組織学的特徴を表現することを学ぶ。タイルレベルでの教師なし自動データキュレーションの可能性について検討し,3億5000万個のタイルを考慮に入れた。
論文参考訳（メタデータ） (2025-03-24T14:23:48Z)
Explainability of Deep Learning-Based Plant Disease Classifiers Through Automated Concept Identification [0.0]
本稿では,自動概念ベース説明法(ACE)を植物病の分類に適用する。 ACEは画像データに見られる視覚概念を自動的に識別し、モデル予測に影響を与える重要な特徴についての洞察を提供する。本研究は, 深層学習に基づく植物病分類の解明可能性を高めるためのACEの可能性を示すものである。
論文参考訳（メタデータ） (2024-12-10T10:59:43Z)
Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models [46.05020842978823]
大規模言語モデル(LLM)はこの複雑なデータランドスケープをナビゲートする強力なツールとして登場した。 RAGGEDは、知識統合と仮説生成を伴う研究者を支援するために設計された包括的なワークフローである。
論文参考訳（メタデータ） (2024-07-17T07:44:18Z)
Enhancing Plant Disease Detection: A Novel CNN-Based Approach with Tensor Subspace Learning and HOWSVD-MD [3.285994579445155]
本稿では,トマト葉病の検出・分類のための最先端技術を紹介する。本稿では,高次白色特異値分解(Higher-Order Whitened Singular Value Decomposition)と呼ばれる部分空間学習領域における高度なアプローチを提案する。このイノベーティブな手法の有効性は、2つの異なるデータセットに関する包括的な実験を通じて厳密に検証された。
論文参考訳（メタデータ） (2024-05-30T13:46:56Z)
Shifting Focus: From Global Semantics to Local Prominent Features in Swin-Transformer for Knee Osteoarthritis Severity Assessment [42.09313885494969]
我々はSwin Transformerの能力を利用して階層的な枠組みを通じて画像内の空間的依存関係を識別する。我々の新しい貢献は、局所的な特徴表現を精細化し、分類器の最終的な分布に特化することにある。 Knee osteoArthritis (KOA) グレード分類のための2つの確立されたベンチマークを広範囲に検証した結果,本モデルは有意な堅牢性と精度を示した。
論文参考訳（メタデータ） (2024-03-15T01:09:58Z)
Crop Disease Classification using Support Vector Machines with Green Chromatic Coordinate (GCC) and Attention based feature extraction for IoT based Smart Agricultural Applications [0.0]
植物病は農業栽培中の葉に悪影響を及ぼし、作物の生産量と経済的価値に大きな損失をもたらす。各種機械学習(ML)と深層学習(DL)アルゴリズムが開発され,植物病の検出のための研究が行われている。本稿では、注意に基づく特徴抽出、RGBチャネルに基づく色分析、SVM(Support Vector Machines)による性能向上による事前作業に基づく新しい分類手法を提案する。
論文参考訳（メタデータ） (2023-11-01T10:44:49Z)
Explainable vision transformer enabled convolutional neural network for plant disease identification: PlantXViT [11.623005206620498]
植物病は世界の作物の損失の主な原因であり、世界経済に影響を及ぼす。本研究では、植物病の同定のために、ビジョントランスフォーマーにより「PlantXViT」と呼ばれる畳み込みニューラルネットワークモデルが提案される。提案したモデルは、わずか0.8万のトレーニング可能なパラメータを持つ軽量な構造であり、IoTベースのスマート農業サービスに適している。
論文参考訳（メタデータ） (2022-07-16T12:05:06Z)
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)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)
Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。