論文の概要: A Mobile Application for Flower Recognition System Based on Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2601.15810v1
• Date: Thu, 22 Jan 2026 09:52:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.565675
• Title: A Mobile Application for Flower Recognition System Based on Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークを用いた花認識システムのモバイル応用
• Authors: Mustafa Yurdakul, Enes Ayan, Fahrettin Horasan, Sakir Tasdemir,
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンアプリケーション用に特別に設計されたディープラーニングアルゴリズムである。 CNNは、多くのコンピュータビジョン問題において、データ量の増大を扱うことに成功した。
• 参考スコア（独自算出の注目度）: 1.0499611180329804
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A convolutional neural network (CNN) is a deep learning algorithm that has been specifically designed for computer vision applications. The CNNs proved successful in handling the increasing amount of data in many computer vision problems, where classical machine learning algorithms were insufficient. Flowers have many uses in our daily lives, from decorating to making medicines to detoxifying the environment. Identifying flower types requires expert knowledge. However, accessing experts at any time and in any location may not always be feasible. In this study a mobile application based on CNNs was developed to recognize different types of flowers to provide non-specialists with quick and easy access to information about flower types. The study employed three distinct CNN models, namely MobileNet, DenseNet121, and Xception, to determine the most suitable model for the mobile application. The classification performances of the models were evaluated by training them with seven different optimization algorithms. The DenseNet-121 architecture, which uses the stochastic gradient descent (SGD) optimization algorithm, was the most successful, achieving 95.84 % accuracy, 96.00% precision, recall, and F1-score. This result shows that CNNs can be used for flower classification in mobile applications.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンアプリケーション用に特別に設計されたディープラーニングアルゴリズムである。 CNNは、古典的な機械学習アルゴリズムが不十分な多くのコンピュータビジョン問題において、データ量の増大を扱うことに成功した。 花は、装飾から薬作り、環境の有害化まで、私たちの日常生活で多くの用途を持っています。 花の種類を特定するには専門家の知識が必要だ。 しかし、いつでも、あらゆる場所で専門家にアクセスすることは、必ずしも不可能であるとは限らない。 本研究では,CNNをベースとしたモバイルアプリケーションを開発し,異なる種類の花を識別し,花の種類に関する情報を迅速かつ容易に入手できるようにする。 この調査では、モバイルアプリケーションに最も適したモデルを決定するために、MobileNet、DenseNet121、Xceptionという3つの異なるCNNモデルを使用した。 モデルの分類性能は、7つの異なる最適化アルゴリズムで評価した。 確率勾配勾配(SGD)最適化アルゴリズムを用いたDenseNet-121アーキテクチャが最も成功し、95.84 %の精度、96.00%の精度、リコール、F1スコアを達成した。 この結果から,モバイルアプリケーションにおける花の分類にCNNを用いることが可能であることが示唆された。

関連論文リスト

• Training Convolutional Neural Networks with the Forward-Forward algorithm [4.098931542454308]
  本研究では,Fourierパターンと形態変換に基づく2つの空間的ラベリング戦略を導入し,畳み込み層がすべての空間的位置にわたってラベル情報にアクセスできるようにする。 CIFAR10では、より深いFF学習CNNを最適化し、形態素に基づくラベルにより、より複雑で細かい特徴を持つデータセット上のショートカットソリューションが防止されることを示す。 これらの結果は、FFトレーニングが完全なネットワークを超えて実現可能であることを示し、学習のダイナミクスと安定性に関する新たな洞察を提供し、ニューロモルフィックコンピューティングと生物学的にインスパイアされた学習の可能性を強調している。
  論文  参考訳（メタデータ） (2023-12-22T18:56:35Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Facilitated machine learning for image-based fruit quality assessment in developing countries [68.8204255655161]
  自動画像分類は食品科学における教師あり機械学習の一般的な課題である。 事前学習型視覚変換器(ViT)に基づく代替手法を提案する。 標準的なデバイス上で限られたリソースで簡単に実装できる。
  論文  参考訳（メタデータ） (2022-07-10T19:52:20Z)
• Revisiting Facial Key Point Detection: An Efficient Approach Using Deep Neural Networks [0.0]
  モデルサイズ,パラメータ,推論時間の観点から,効率的なディープラーニングモデルを構築した。 MobileNetV2アーキテクチャは最低のRMSEと推論時間を生み出した。 手動で最適化されたCNNアーキテクチャは、Auto Kerasのチューニングアーキテクチャと同様に実行された。
  論文  参考訳（メタデータ） (2022-05-14T19:49:03Z)
• Greedy Network Enlarging [53.319011626986004]
  本稿では,計算のリアルタイム化に基づくグリーディ・ネットワーク拡大手法を提案する。 異なる段階の計算をステップバイステップで修正することで、拡張されたネットワークはMACの最適な割り当てと利用を提供する。 GhostNetへの我々の手法の適用により、最先端の80.9%と84.3%のImageNet Top-1アキュラシーを実現する。
  論文  参考訳（メタデータ） (2021-07-31T08:36:30Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Inferring Convolutional Neural Networks' accuracies from their architectural characterizations [0.0]
  CNNのアーキテクチャと性能の関係について検討する。 本稿では,2つのコンピュータビジョンに基づく物理問題において,その特性がネットワークの性能を予測できることを示す。 我々は機械学習モデルを用いて、トレーニング前にネットワークが一定のしきい値精度よりも優れた性能を発揮できるかどうかを予測する。
  論文  参考訳（メタデータ） (2020-01-07T16:41:58Z)
• Approximation and Non-parametric Estimation of ResNet-type Convolutional Neural Networks [52.972605601174955]
  本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。 Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
  論文  参考訳（メタデータ） (2019-03-24T19:42:39Z)

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。