論文の概要: LWMSCNN-SE: A Lightweight Multi-Scale Network for Efficient Maize Disease Classification on Edge Devices
- arxiv url: http://arxiv.org/abs/2601.07957v1
- Date: Mon, 12 Jan 2026 19:45:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-14 18:27:18.92219
- Title: LWMSCNN-SE: A Lightweight Multi-Scale Network for Efficient Maize Disease Classification on Edge Devices
- Title（参考訳）: LWMSCNN-SE:エッジデバイス上での高効率トウモロコシ病分類のための軽量マルチスケールネットワーク
- Authors: Fikadu Weloday, Jianmei Su,
- Abstract要約: LWMSCNN-SEは,マルチスケール特徴抽出,深度的に分離可能な畳み込み,SE注意機構を統合した軽量畳み込みニューラルネットワーク(CNN)である。
この新しい組み合わせにより、このモデルは241,348パラメータと0.666 GFLOPで96.63%の分類精度を達成でき、フィールドアプリケーションのリアルタイム展開に適している。
- 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: Maize disease classification plays a vital role in mitigating yield losses and ensuring food security. However, the deployment of traditional disease detection models in resource-constrained environments, such as those using smartphones and drones, faces challenges due to high computational costs. To address these challenges, we propose LWMSCNN-SE, a lightweight convolutional neural network (CNN) that integrates multi-scale feature extraction, depthwise separable convolutions, and squeeze-and-Excitation (SE) attention mechanisms. This novel combination enables the model to achieve 96.63% classification accuracy with only 241,348 parameters and 0.666 GFLOPs, making it suitable for real-time deployment in field applications. Our approach addresses the accuracy--efficiency trade-off by delivering high accuracy while maintaining low computational costs, demonstrating its potential for efficient maize disease diagnosis on edge devices in precision farming systems.
- Abstract（参考訳）: トウモロコシ病の分類は、収量損失を軽減し、食料の安全を確保する上で重要な役割を担っている。
しかし、スマートフォンやドローンなど、資源に制約のある環境における従来の疾患検出モデルの展開は、高い計算コストのために困難に直面している。
これらの課題に対処するため,LWMSCNN-SE(LWMSCNN-SE)を提案する。
この新しい組み合わせにより、このモデルは241,348パラメータと0.666 GFLOPで96.63%の分類精度を達成でき、フィールドアプリケーションのリアルタイム展開に適している。
計算コストを低く抑えつつ高い精度を達成し, 精密農業システムにおけるエッジデバイス上での効率的なトウモロコシ病診断の可能性を示す。
関連論文リスト
- Explainable AI for Diabetic Retinopathy Detection Using Deep Learning with Attention Mechanisms and Fuzzy Logic-Based Interpretability [0.0]
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。
論文 参考訳（メタデータ） (2025-11-20T12:17:00Z) - SHIELD: Securing Healthcare IoT with Efficient Machine Learning Techniques for Anomaly Detection [0.0]
本研究では、悪意のあるサイバー攻撃を検出し、異常なデバイス異常を識別するための機械学習駆動フレームワークを提案する。
8つの機械学習モデルが3つの学習アプローチで評価される。
このフレームワークは、データ漏洩の防止、システムダウンタイムの最小化、医療機器の継続的かつ安全な運用を保証する可能性を秘めている。
論文 参考訳（メタデータ） (2025-11-05T17:20:23Z) - 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) - Involution-Infused DenseNet with Two-Step Compression for Resource-Efficient Plant Disease Classification [0.0]
本研究では,重み付けと知識蒸留を統合した2段階モデル圧縮手法を提案する。
その結果、ResNet50sは、PandVillageとPaddyLeafのデータセットで99.55%と98.99%の精度を達成した。
論文 参考訳（メタデータ） (2025-05-31T22:43:23Z) - Efficient ANN-SNN Conversion with Error Compensation Learning [20.155985131466174]
スパイクニューラルネットワーク(SNN)は離散スパイクイベントを通じて動作し、より優れたエネルギー効率を提供する。
現在のANN-to-SNN変換は、しばしば変換エラーによる精度の低下と推論時間の増加をもたらす。
本稿では,誤り補償学習に基づく新しいANN-to-SNN変換フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-12T15:31:34Z) - Efficient Denial of Service Attack Detection in IoT using Kolmogorov-Arnold Networks [22.036794530902608]
本稿では,KAN(Kolmogorov-Arnold Networks)に基づくDoS攻撃検出の新しい軽量アプローチを提案する。
Kanは、最小限のリソース要件を維持しながら、最先端の検知性能を達成する。
既存のソリューションと比較して、kanは競合検出率を維持しながら、メモリ要求を最大98%削減する。
論文 参考訳（メタデータ） (2025-02-03T21:19:46Z) - Toward End-to-End Bearing Fault Diagnosis for Industrial Scenarios with Spiking Neural Networks [6.686258023516048]
マルチスケールResidual Attention SNNは、SNN手法の効率、性能、堅牢性を改善する。
MRA-SNNは、精度、エネルギー消費、ノイズロバスト性の観点から、既存の手法を著しく上回っている。
論文 参考訳（メタデータ） (2024-08-17T06:41:58Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - Multiple Instance Ensembling For Paranasal Anomaly Classification In The
Maxillary Sinus [46.1292414445895]
副鼻腔奇形は幅広い形態学的特徴を持つ。
副鼻腔異常分類への現在のアプローチは、一度に1つの異常を特定することに制約されている。
3次元畳み込みニューラルネットワーク(CNN)を用いて正常上顎骨(MS)とMSをポリープや嚢胞で分類する可能性を検討した。
論文 参考訳（メタデータ） (2023-03-31T09:23:27Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z) - Going deeper with brain morphometry using neural networks [18.851541271793085]
深部畳み込みニューラルネットワークは数秒で形態計測を推測できる。
我々はHerstonNetという名の脳形態計測のためのより正確で効率的なニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2020-09-07T07:57:13Z)
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。