論文の概要: Feature Recalibration Based Olfactory-Visual Multimodal Model for Fine-Grained Rice Deterioration Detection

• arxiv url: http://arxiv.org/abs/2602.14408v1
• Date: Mon, 16 Feb 2026 02:26:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 16:22:50.048532
• Title: Feature Recalibration Based Olfactory-Visual Multimodal Model for Fine-Grained Rice Deterioration Detection
• Title（参考訳）: 水稲の微粒化劣化検出のための特徴校正に基づく嗅覚的マルチモーダルモデル
• Authors: Rongqiang Zhao, Hengrui Hu, Yijing Wang, Mingchun Sun, Jie Liu,
• Abstract要約: ラベル付き多モード埋め込み機能データセットを再構築するために, 微細粒度劣化埋込みコンストラクタ (FDEC) を提案する。 実験の結果,提案手法は99.89%の精度で分類できることがわかった。 提案手法は農業・食品産業における他のアグリフードにも適用可能である。
• 参考スコア（独自算出の注目度）: 4.655198969429849
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal methods are widely used in rice deterioration detection, which exhibit limited capability in representing and extracting fine-grained abnormal features. Moreover, these methods rely on devices, such as hyperspectral cameras and mass spectrometers, increasing detection costs and prolonging data acquisition time. To address these issues, we propose a feature recalibration based olfactory-visual multimodal model for fine-grained rice deterioration detection. The fine-grained deterioration embedding constructor (FDEC) is proposed to reconstruct the labeled multimodal embedded-feature dataset, enhancing sample representation. The fine-grained deterioration recalibration attention network (FDRA-Net) is proposed to emphasize signal variations and increase sensitivity to fine-grained deterioration on the rice surface. Experiments show that the proposed method achieves a classification accuracy of 99.89%. Compared with state-of-the-art methods, the detection accuracy is improved and the procedure is simplified. Furthermore, field detection demonstrates the advantages of accuracy and operational simplicity. The proposed method can also be extended to other agrifood in agriculture and food industry.
• Abstract（参考訳）: マルチモーダル法はイネの劣化検出に広く用いられ、粒状異常の特徴を表現・抽出する能力に限界がある。 さらに、これらの手法は、ハイパースペクトルカメラや質量分析器、検出コストの増加、データ取得時間の延長など、デバイスに依存している。 これらの課題に対処するため, 細粒度水稲の劣化検出のための嗅覚多モードモデルを提案する。 細粒度劣化埋込みコンストラクタ (FDEC) を提案し, ラベル付きマルチモーダル埋込み機能データセットを再構成し, サンプル表現を増強した。 水稲の粒度劣化に対する感度を高めるため,FDRA-Net(FDRA-Net)が提案されている。 実験の結果,提案手法は99.89%の精度で分類できることがわかった。 最先端手法と比較して、検出精度が向上し、手順が簡素化される。 さらに、フィールド検出は精度と操作の単純さの利点を示す。 提案手法は農業・食品産業における他のアグリフードにも適用可能である。

関連論文リスト

• When Generative Replay Meets Evolving Deepfakes: Domain-Aware Relative Weighting for Incremental Face Forgery Detection [20.277608307966382]
  生成的リプレイは過去のデータを合成することで潜在的な解決策を提供するが、偽造検出の可能性はまだ不明である。 生成的リプレイを効果的に活用するための新しいドメイン認識相対重み付け(DARW)戦略を提案する。 DARWは、ドメインリスキーサンプルの監督と潜在的な混乱のバランスをとるために、相対分離損失を適用しながら、ドメインセーフなサンプルを直接監視する。
  論文  参考訳（メタデータ） (2025-11-23T13:09:02Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• Fuzzy Granule Density-Based Outlier Detection with Multi-Scale Granular Balls [65.44462297594308]
  外乱検出は、正常なデータの分布から大きく逸脱する異常なサンプルの同定を指す。 ほとんどの教師なしの外れ値検出方法は、指定された外れ値を検出するために慎重に設計されている。 ファジィ粗集合に基づくマルチスケールアウトレイラ検出手法を提案し,様々な種類のアウトレイラを同定する。
  論文  参考訳（メタデータ） (2025-01-06T12:35:51Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• ImDiffusion: Imputed Diffusion Models for Multivariate Time Series Anomaly Detection [44.21198064126152]
  我々はImDiffusionという新しい異常検出フレームワークを提案する。 ImDiffusionは時系列計算と拡散モデルを組み合わせて、正確で堅牢な異常検出を実現する。 我々はImDiffusionの性能をベンチマークデータセットの広範な実験により評価する。
  論文  参考訳（メタデータ） (2023-07-03T04:57:40Z)
• Clear Memory-Augmented Auto-Encoder for Surface Defect Detection [10.829080460965478]
  本稿では,異常な前景を修復し,背景を鮮明に保存するメモリ拡張オートエンコーダを提案する。 できるだけ現実的で機能豊富な異常をシミュレートするために, 汎用的な人工異常生成アルゴリズムを提案する。 最後に,欠陥セグメンテーションのための新しいマルチスケール特徴残差検出法を提案する。
  論文  参考訳（メタデータ） (2022-08-08T02:39:03Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• A fast accurate fine-grain object detection model based on YOLOv4 deep neural network [0.0]
  商業農場や果樹園における植物病の早期発見と予防は、精密農業技術の重要な特徴である。 本稿では,植物病の検出におけるいくつかの障害に対処する高性能なリアルタイム微粒物検出フレームワークを提案する。 提案するモデルは、You Only Look Once (YOLOv4)アルゴリズムの改良版に基づいて構築されている。
  論文  参考訳（メタデータ） (2021-10-30T17:56:13Z)
• Reconstruction of Sentinel-2 Time Series Using Robust Gaussian Mixture Models -- Application to the Detection of Anomalous Crop Development in wheat and rapeseed crops [14.849671539394272]
  データの欠落は、主にマルチスペクトル画像のクラウドカバレッジと取得の問題によって、リモートセンシングにおいて繰り返し発生する問題である。 マルチスペクトル画像から抽出したパーセルレベルの特徴を再構成するためのガウス混合モデル(GMM)を提案する。 また、Sentinel-1データを用いた合成開口レーダ(SAR)画像から抽出した付加的特徴を用いて補完情報を提供する。
  論文  参考訳（メタデータ） (2021-10-22T13:35:54Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。