論文の概要: ShrimpXNet: A Transfer Learning Framework for Shrimp Disease Classification with Augmented Regularization, Adversarial Training, and Explainable AI

• arxiv url: http://arxiv.org/abs/2601.00832v1
• Date: Thu, 25 Dec 2025 08:30:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-11 18:48:17.53686
• Title: ShrimpXNet: A Transfer Learning Framework for Shrimp Disease Classification with Augmented Regularization, Adversarial Training, and Explainable AI
• Title（参考訳）: ShrimpXNet: 正規化強化、逆行訓練、説明可能なAIを備えた、エビ病分類のためのトランスファーラーニングフレームワーク
• Authors: Israk Hasan Jone, D. M. Rafiun Bin Masud, Promit Sarker, Sayed Fuad Al Labib, Nazmul Islam, Farhad Billah,
• Abstract要約: エビ農業は多くの地域で重要な収入源となっている。 これらの病気は、持続的なエビ生産にとって大きな課題となる。 本研究は,エビ病の自動分類のための深層学習に基づくアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shrimp is one of the most widely consumed aquatic species globally, valued for both its nutritional content and economic importance. Shrimp farming represents a significant source of income in many regions; however, like other forms of aquaculture, it is severely impacted by disease outbreaks. These diseases pose a major challenge to sustainable shrimp production. To address this issue, automated disease classification methods can offer timely and accurate detection. This research proposes a deep learning-based approach for the automated classification of shrimp diseases. A dataset comprising 1,149 images across four disease classes was utilized. Six pretrained deep learning models, ResNet50, EfficientNet, DenseNet201, MobileNet, ConvNeXt-Tiny, and Xception were deployed and evaluated for performance. The images background was removed, followed by standardized preprocessing through the Keras image pipeline. Fast Gradient Sign Method (FGSM) was used for enhancing the model robustness through adversarial training. While advanced augmentation strategies, including CutMix and MixUp, were implemented to mitigate overfitting and improve generalization. To support interpretability, and to visualize regions of model attention, post-hoc explanation methods such as Grad-CAM, Grad-CAM++, and XGrad-CAM were applied. Exploratory results demonstrated that ConvNeXt-Tiny achieved the highest performance, attaining a 96.88% accuracy on the test dataset. After 1000 iterations, the 99% confidence interval for the model is [0.953,0.971].
• Abstract（参考訳）: エビは世界中の最も広く消費されている水生生物の1つであり、その栄養分と経済的重要性の両方に価値がある。 エビ農業は多くの地域で重要な収入源となっているが、他の水生栽培と同様、病気の発生によって深刻な影響を受けている。 これらの病気は、持続的なエビ生産にとって大きな課題となる。 この問題に対処するために、自動疾患分類法は、タイムリーかつ正確な検出を提供することができる。 本研究は,エビ病の自動分類のための深層学習に基づくアプローチを提案する。 4つの病型にまたがる1,149枚の画像からなるデータセットを用いた。 事前訓練された6つのディープラーニングモデル、ResNet50、EfficientNet、DenseNet201、MobileNet、ConvNeXt-Tiny、Xceptionがデプロイされ、パフォーマンス評価された。 画像背景は削除され、続いてKerasイメージパイプラインを通じて標準化された前処理が行われた。 FGSM(Fast Gradient Sign Method)は、対向訓練によりモデルロバスト性を高めるために用いられた。 CutMixやMixUpといった高度な拡張戦略は、オーバーフィッティングを緩和し、一般化を改善するために実装された。 Grad-CAM、Grad-CAM++、XGrad-CAMといった、解釈可能性をサポートし、モデルアテンションの領域を可視化するために、ポストホックな説明法を適用した。 実験の結果、ConvNeXt-Tinyはテストデータセットで96.88%の精度で最高性能を達成した。 1000回の反復の後、モデルの99%の信頼区間は[0.953,0.971]である。

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)
• Detection and Classification of Diseases in Multi-Crop Leaves using LSTM and CNN Models [0.0]
  植物病は作物の収穫量を減らし、食糧品質に影響を与えることで農業に深刻な課題をもたらす。 本研究では,植物葉病の分類に畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)モデルを適用した。
  論文  参考訳（メタデータ） (2025-04-30T02:36:51Z)
• Enhancing Leaf Disease Classification Using GAT-GCN Hybrid Model [0.23301643766310373]
  本研究では,葉病分類のためのグラフ注意ネットワーク(GAT)とグラフ畳み込みネットワーク(GCN)を組み合わせたハイブリッドモデルを提案する。 GCNはグラフ構造化データから学習するために広く使われており、GATは最も重要な隣人に焦点を当てるために注意機構を組み込むことによってこれを強化している。 エッジ拡張技術は、モデルの検知能力にかなりの一般化をもたらした。
  論文  参考訳（メタデータ） (2025-04-07T06:31:38Z)
• Virchow: A Million-Slide Digital Pathology Foundation Model [34.38679208931425]
  本稿では,コンピュータ病理学の基礎モデルであるVirchowを紹介する。 Virchowは、150万のヘマトキシリンとエオシン染色されたスライドイメージに基づいて、632万のパラメータをトレーニングしたビジョントランスフォーマーモデルである。
  論文  参考訳（メタデータ） (2023-09-14T15:09:35Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Fish Disease Detection Using Image Based Machine Learning Technique in Aquaculture [0.971137838903781]
  養殖における魚の病気は栄養の安全にとって重大な危険である。 画像の前処理とセグメンテーションはノイズを低減し、画像を誇張するために適用されている。 第二部では、機械学習のサポートベクトルマシン(SVM)アルゴリズムの助けを借りて疾患を分類するための関連する特徴を抽出します。
  論文  参考訳（メタデータ） (2021-05-09T13:22:44Z)
• NemaNet: A convolutional neural network model for identification of nematodes soybean crop in brazil [0.43968605222413054]
  植物寄生線虫(または植物性線虫)は作物に深刻な損傷をもたらし、世界中で大規模な経済的損失を引き起こしています。 本研究は,5種の線虫から得られた3,063枚の顕微鏡画像を含むnemadatasetと呼ばれる新しい公共データセットを提案する。
  論文  参考訳（メタデータ） (2021-03-05T14:47:00Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。