論文の概要: Energy-Aware Ensemble Learning for Coffee Leaf Disease Classification

• arxiv url: http://arxiv.org/abs/2601.12109v1
• Date: Sat, 17 Jan 2026 17:06:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.466459
• Title: Energy-Aware Ensemble Learning for Coffee Leaf Disease Classification
• Title（参考訳）: コーヒー葉病分類のための省エネルギーアンサンブル学習
• Authors: Larissa Ferreira Rodrigues Moreira, Rodrigo Moreira, Leonardo Gabriel Ferreira Rodrigues,
• Abstract要約: 本研究は,知識蒸留によるデバイス上での持続可能な診断を促進することを目的としている。 データセンターで訓練された高容量畳み込みニューラルネットワーク(CNN)は、エンサンブルラーニング(EL)を通して、コンパクトCNNに知識を伝達する 複雑な小さなペアは、厳密な計算とエネルギーの制約に固執しながら精度を高めるため、シンプルで最適化されたアンサンブルによって統合された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coffee yields are contingent on the timely and accurate diagnosis of diseases; however, assessing leaf diseases in the field presents significant challenges. Although Artificial Intelligence (AI) vision models achieve high accuracy, their adoption is hindered by the limitations of constrained devices and intermittent connectivity. This study aims to facilitate sustainable on-device diagnosis through knowledge distillation: high-capacity Convolutional Neural Networks (CNNs) trained in data centers transfer knowledge to compact CNNs through Ensemble Learning (EL). Furthermore, dense tiny pairs were integrated through simple and optimized ensembling to enhance accuracy while adhering to strict computational and energy constraints. On a curated coffee leaf dataset, distilled tiny ensembles achieved competitive with prior work with significantly reduced energy consumption and carbon footprint. This indicates that lightweight models, when properly distilled and ensembled, can provide practical diagnostic solutions for Internet of Things (IoT) applications.
• Abstract（参考訳）: コーヒーの収量は、病気のタイムリーかつ正確な診断に基づいているが、現場で葉病を評価することは重大な課題である。 人工知能(AI)ビジョンモデルは高い精度を達成するが、制限されたデバイスと断続的な接続の制限によって採用が妨げられる。 本研究は,高容量畳み込みニューラルネットワーク (CNN) を用いた知識蒸留によるデバイス上での持続可能な診断を促進することを目的としている。 さらに、厳密な計算とエネルギーの制約に固執しながら精度を高めるため、単純で最適化されたアンサンブルにより、密集した小さなペアが統合された。 キュレートされたコーヒーの葉のデータセットでは、蒸留された小さなアンサンブルは、エネルギー消費と炭素フットプリントを大幅に削減した以前の研究と競合した。 これは、軽量モデルが適切に蒸留およびアンサンブルされると、IoT(Internet of Things)アプリケーションに実用的な診断ソリューションを提供できることを示している。

関連論文リスト

• LWMSCNN-SE: A Lightweight Multi-Scale Network for Efficient Maize Disease Classification on Edge Devices [0.0]
  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。
  論文  参考訳（メタデータ） (2026-01-12T19:45:10Z)
• Resource-efficient medical image classification for edge devices [0.43748379918040853]
  本研究は, モデル量子化手法を用いて, 医用画像分類への資源効率の高いアプローチについて検討する。 量子化はモデルパラメータとアクティベーションの精度を低下させ、計算オーバーヘッドとメモリ要求を大幅に低減させる。 実験により,量子化モデルによりモデルサイズと推論遅延が大幅に低減され,エッジハードウェア上でリアルタイム処理が可能となった。
  論文  参考訳（メタデータ） (2025-12-19T12:32:57Z)
• 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)
• Graph Attention Networks for Detecting Epilepsy from EEG Signals Using Accessible Hardware in Low-Resource Settings [45.62331048595689]
  低所得国では、貧弱な神経科医や高価な診断ツールのためにてんかんが診断されていない。 低コストのEEGハードウェアからてんかんを検出するためのグラフベースのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-20T20:44:39Z)
• Lightweight Task-Oriented Semantic Communication Empowered by Large-Scale AI Models [66.57755931421285]
  大規模人工知能(LAI)モデルは、リアルタイム通信シナリオにおいて重大な課題を提起する。 本稿では,LAIモデルから知識を抽出・凝縮するために知識蒸留(KD)技術を活用することを提案する。 本稿では,反復推論の必要性を排除したプレストア圧縮機構を備えた高速蒸留法を提案する。
  論文  参考訳（メタデータ） (2025-06-16T08:42:16Z)
• Application of federated learning techniques for arrhythmia classification using 12-lead ECG signals [0.11184789007828977]
  この作業では、フェデレートラーニング(FL)プライバシ保護方法論を使用して、高定義のECGの異種集合上でAIモデルをトレーニングする。 CL, IID, 非IIDアプローチを用いて訓練したモデルと比較した。
  論文  参考訳（メタデータ） (2022-08-23T14:21:16Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)

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。