Fugu-MT 論文翻訳(概要): Mam-App: A Novel Parameter-Efficient Mamba Model for Apple Leaf Disease Classification

論文の概要: Mam-App: A Novel Parameter-Efficient Mamba Model for Apple Leaf Disease Classification

arxiv url: http://arxiv.org/abs/2601.21307v1
Date: Thu, 29 Jan 2026 05:59:53 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-30 16:22:49.61022
Title: Mam-App: A Novel Parameter-Efficient Mamba Model for Apple Leaf Disease Classification
Title（参考訳）: Mam-App:Appleの葉疾患分類のためのパラメータ効率の良いMambaモデル
Authors: Md Nadim Mahamood, Md Imran Hasan, Md Rasheduzzaman, Ausrukona Ray, Md Shafi Ud Doula, Kamrul Hasan,
Abstract要約: Mam-Appは特徴抽出と葉病分類のためのパラメータ効率のよいMambaベースのモデルである。精度は99.58%、精度は99.30%、リコールは99.14%、F1スコアは99.22%、パラメータは0.051Mである。
参考スコア（独自算出の注目度）: 0.8653321928148544
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The rapid growth of the global population, alongside exponential technological advancement, has intensified the demand for food production. Meeting this demand depends not only on increasing agricultural yield but also on minimizing food loss caused by crop diseases. Diseases account for a substantial portion of apple production losses, despite apples being among the most widely produced and nutritionally valuable fruits worldwide. Previous studies have employed machine learning techniques for feature extraction and early diagnosis of apple leaf diseases, and more recently, deep learning-based models have shown remarkable performance in disease recognition. However, most state-of-the-art deep learning models are highly parameter-intensive, resulting in increased training and inference time. Although lightweight models are more suitable for user-friendly and resource-constrained applications, they often suffer from performance degradation. To address the trade-off between efficiency and performance, we propose Mam-App, a parameter-efficient Mamba-based model for feature extraction and leaf disease classification. The proposed approach achieves competitive state-of-the-art performance on the PlantVillage Apple Leaf Disease dataset, attaining 99.58% accuracy, 99.30% precision, 99.14% recall, and a 99.22% F1-score, while using only 0.051M parameters. This extremely low parameter count makes the model suitable for deployment on drones, mobile devices, and other low-resource platforms. To demonstrate the robustness and generalizability of the proposed model, we further evaluate it on the PlantVillage Corn Leaf Disease and Potato Leaf Disease datasets. The model achieves 99.48%, 99.20%, 99.34%, and 99.27% accuracy, precision, recall, and F1-score on the corn dataset and 98.46%, 98.91%, 95.39%, and 97.01% on the potato dataset, respectively.
Abstract（参考訳）: 世界人口の急激な増加は、飛躍的な技術進歩とともに、食糧生産の需要を激化させている。この需要を満たすには、農業収量の増加だけでなく、作物病による食糧損失の最小化にも依存する。リンゴは世界で最も広く生産され、栄養価の高い果物であるにもかかわらず、病気はリンゴの生産損失のかなりの部分を占めている。過去の研究では、リンゴ葉病の特徴抽出と早期診断に機械学習技術が用いられており、最近では、ディープラーニングに基づくモデルが疾患認識において顕著な性能を示している。しかし、最先端のディープラーニングモデルの多くはパラメータ集約的であり、結果としてトレーニングや推論時間が増加する。軽量モデルはユーザフレンドリでリソースに制約のあるアプリケーションに適しているが、性能劣化に悩まされることが多い。効率と性能のトレードオフに対処するため,特徴抽出と葉病分類のためのパラメータ効率の高いマンバベースモデルであるMam-Appを提案する。提案手法は、PlantVillage Apple Leaf Diseaseデータセットの競合する最先端性能を実現し、0.051Mパラメータのみを使用しながら、99.58%の精度、99.30%の精度、99.14%のリコール、99.22%のF1スコアを実現する。この極めて低いパラメータカウントは、このモデルをドローン、モバイルデバイス、その他の低リソースプラットフォームへのデプロイに適したものにする。提案手法の堅牢性と一般化性を示すため,PandVillage Corn Leaf Disease と Potato Leaf Disease のデータセットでさらに評価を行った。 99.48%、99.20%、99.34%、99.27%の精度、精度、リコール、F1スコア、98.46%、98.91%、95.39%、97.01%である。

関連論文リスト

Validating Vision Transformers for Otoscopy: Performance and Data-Leakage Effects [42.465094107111646]
本研究では、耳疾患の診断精度を高めるために、視覚トランスモデル、特にスウィントランスモデルの有効性を評価する。この研究はチリ大学臨床病院の耳鼻咽喉科の実際のデータセットを利用した。
論文参考訳（メタデータ） (2025-11-06T23:20:37Z)
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)
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)
TarDiff: Target-Oriented Diffusion Guidance for Synthetic Electronic Health Record Time Series Generation [26.116599951658454]
時系列生成は臨床機械学習モデルの進歩に不可欠である。観測データのみに対する忠実性は、モデル性能の向上を保証するものではない、と我々は主張する。タスク固有のインフルエンスガイダンスを統合した,新たなターゲット指向拡散フレームワークであるTarDiffを提案する。
論文参考訳（メタデータ） (2025-04-24T14:36:10Z)
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)
Improved Cotton Leaf Disease Classification Using Parameter-Efficient Deep Learning Framework [0.0]
綿花は「白金」と呼ばれ、重要な生産課題に直面している。この課題に対処するために、ディープラーニングと機械学習の技術が研究されている。我々はMobileNetからトレーニング可能なレイヤのサブセットを統合する革新的な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） (2024-12-23T14:01:10Z)
PND-Net: Plant Nutrition Deficiency and Disease Classification using Graph Convolutional Network [18.778641229886393]
本稿では,グラフ畳み込みネットワーク(GNN)を用いた植物栄養障害と疾患分類の新しい深層学習法を提案する。 The proposed method, called Plant Nutrition Deficiency and Disease Network (PND-Net) was evaluate on two public datasets for nutrition deficiency, and two for disease classification using four CNNs。
論文参考訳（メタデータ） (2024-10-16T17:01:28Z)
Early Detection of Coffee Leaf Rust Through Convolutional Neural Networks Trained on Low-Resolution Images [27.195033353775006]
コーヒー葉のさびは、真菌のHemileia vastatrixによって引き起こされた葉病であり、コーヒー生産にとって大きな脅威となる。早期疾患検出を強化するためのディープラーニングモデルは、広範囲な処理能力と大量のデータを必要とする。本稿では,高域通過フィルタを用いたトレーニング画像のコントラスト向上を目的とした前処理手法を提案する。
論文参考訳（メタデータ） (2024-07-20T03:24:25Z)
PUMA: margin-based data pruning [51.12154122266251]
モデル分類境界からの距離(すなわちマージン)に基づいて、いくつかのトレーニングサンプルを除去するデータプルーニングに焦点を当てる。我々は,DeepFoolを用いてマージンを算出する新しいデータプルーニング戦略PUMAを提案する。 PUMAは,現状の最先端手法であるロバスト性の上に利用でき,既存のデータプルーニング戦略と異なり,モデル性能を著しく向上させることができることを示す。
論文参考訳（メタデータ） (2024-05-10T08:02:20Z)
Common 7B Language Models Already Possess Strong Math Capabilities [61.61442513067561]
本稿では,LLaMA-2 7Bモデルと事前学習を併用したモデルが,すでに強力な数学的能力を示していることを示す。拡張スケーリングの可能性は、公開されている数学の質問の不足によって制限されている。
論文参考訳（メタデータ） (2024-03-07T18:00:40Z)
Rice paddy disease classifications using CNNs [0.0]
米は世界有数の食料であるが、毎年大量の作物の収穫が病気によって失われている。この問題に対処するため、人々は病気の診断を自動化する方法を模索してきた。ここでは、モデルアーキテクチャとコンピュータビジョン技術の両方に対して、疾患分類精度がどのように敏感であるかを分析することによって、従来のモデリング作業を拡張した。
論文参考訳（メタデータ） (2023-03-15T07:31:06Z)

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。