論文の概要: Dynamic Meta-Ensemble Framework for Efficient and Accurate Deep Learning in Plant Leaf Disease Detection on Resource-Constrained Edge Devices

• arxiv url: http://arxiv.org/abs/2601.17290v1
• Date: Sat, 24 Jan 2026 03:57:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.504173
• Title: Dynamic Meta-Ensemble Framework for Efficient and Accurate Deep Learning in Plant Leaf Disease Detection on Resource-Constrained Edge Devices
• Title（参考訳）: 資源制約エッジデバイスを用いた植物葉病検出における効率的かつ正確な深層学習のための動的メタアンサンブルフレームワーク
• Authors: Weloday Fikadu Moges, Jianmei Su, Amin Waqas,
• Abstract要約: 資源制約下での高精度植物病診断のための新しい動的メタエンブルフレームワーク(DMEF)を提案する。 DMEFは適応重み付け機構を採用し、3つの軽量畳み込みニューラルネットワークの予測を動的に組み合わせている。 ジャガイモとトウモロコシ病のベンチマークデータセットの実験では、それぞれ99.53%と96.61%の最先端の分類精度が示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deploying deep learning models for plant disease detection on edge devices such as IoT sensors, smartphones, and embedded systems is severely constrained by limited computational resources and energy budgets. To address this challenge, we introduce a novel Dynamic Meta-Ensemble Framework (DMEF) for high-accuracy plant disease diagnosis under resource constraints. DMEF employs an adaptive weighting mechanism that dynamically combines the predictions of three lightweight convolutional neural networks (MobileNetV2, NASNetMobile, and InceptionV3) by optimizing a trade-off between accuracy improvements (DeltaAcc) and computational efficiency (model size). During training, the ensemble weights are updated iteratively, favoring models exhibiting high performance and low complexity. Extensive experiments on benchmark datasets for potato and maize diseases demonstrate state-of-the-art classification accuracies of 99.53% and 96.61%, respectively, surpassing standalone models and static ensembles by 2.1% and 6.3%. With computationally efficient inference latency (<75ms) and a compact footprint (<1 million parameters), DMEF shows strong potential for edge-based agricultural monitoring, suggesting viability for scalable crop disease management. This bridges the gap between high-accuracy AI and practical field applications.
• Abstract（参考訳）: IoTセンサー、スマートフォン、組み込みシステムなどのエッジデバイスに植物病検出のためのディープラーニングモデルをデプロイすることは、限られた計算リソースとエネルギー予算によって厳しい制約を受ける。 この課題に対処するために,資源制約下での高精度植物病診断のための新しい動的メタアンサンブルフレームワーク(DMEF)を提案する。 DMEFは、精度改善(DeltaAcc)と計算効率(モデルサイズ)のトレードオフを最適化することで、3つの軽量畳み込みニューラルネットワーク(MobileNetV2、NASNetMobile、InceptionV3)の予測を動的に結合する適応重み付け機構を採用している。 トレーニング中、アンサンブル重量は反復的に更新され、高いパフォーマンスと低い複雑さを示すモデルが好まれる。 ジャガイモとトウモロコシ病のベンチマークデータセットに関する大規模な実験は、それぞれ99.53%と96.61%の最先端の分類精度を示し、スタンドアロンモデルと静的アンサンブルを2.1%、静的アンサンブルを6.3%上回っている。 計算効率のよい推論レイテンシ (75ms) とコンパクトフットプリント (100万パラメータ) により,DMEF はエッジベースの農業モニタリングに強い可能性を示し,スケーラブルな作物病管理の実現可能性を示している。 これにより、高精度なAIと実用的なフィールドアプリケーションの間のギャップを埋める。

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)
• A Domain-Adapted Lightweight Ensemble for Resource-Efficient Few-Shot Plant Disease Classification [0.0]
  ドメイン適応型MobileNetV2モデルとMobileNetV3モデルを組み合わせた数ショットの学習手法を提案する。 分類タスクには、注意機構を付加したBi-LSTM分類器を通す。 1発から15発のパフォーマンスを継続的に改善し、15発で98.23+-0.33%に達した。 また、以前のSOTAの精度も96.4%向上し、15ショットの学習で99.72%を記録した。
  論文  参考訳（メタデータ） (2025-12-15T15:17:29Z)
• 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)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• 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)
• Hybrid Knowledge Transfer through Attention and Logit Distillation for On-Device Vision Systems in Agricultural IoT [0.0]
  この研究は、精密農業におけるリアルタイムでエネルギー効率の高い作物モニタリングを推進している。 これは、エッジデバイス上でViTレベルの診断精度を実現する方法を示している。
  論文  参考訳（メタデータ） (2025-04-21T06:56:41Z)
• CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
  交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。 トークン化方式は、チャネルごとのパッチで脳波信号を表現します。 本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
  論文  参考訳（メタデータ） (2025-01-18T21:44:38Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)

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。