論文の概要: U-FedTomAtt: Ultra-lightweight Federated Learning with Attention for Tomato Disease Recognition

• arxiv url: http://arxiv.org/abs/2602.16749v1
• Date: Wed, 18 Feb 2026 05:00:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.270373
• Title: U-FedTomAtt: Ultra-lightweight Federated Learning with Attention for Tomato Disease Recognition
• Title（参考訳）: U-FedTomAtt:超軽量フェデレーションラーニングとトマト病の認識
• Authors: Romiyal George, Sathiyamohan Nishankar, Selvarajah Thuseethan, Chathrie Wimalasooriya, Yakub Sebastian, Roshan G. Ragel, Zhongwei Liang,
• Abstract要約: フェデレーション学習は、インテリジェントな農業ソリューションをデプロイするためのプライバシー保護と効率的なアプローチとして登場した。 超軽量なフェデレート学習フレームワークであるU-FedTomAttを提案する。
• 参考スコア（独自算出の注目度）: 2.628739907490327
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning has emerged as a privacy-preserving and efficient approach for deploying intelligent agricultural solutions. Accurate edge-based diagnosis across geographically dispersed farms is crucial for recognising tomato diseases in sustainable farming. Traditional centralised training aggregates raw data on a central server, leading to communication overhead, privacy risks and latency. Meanwhile, edge devices require lightweight networks to operate effectively within limited resources. In this paper, we propose U-FedTomAtt, an ultra-lightweight federated learning framework with attention for tomato disease recognition in resource-constrained and distributed environments. The model comprises only 245.34K parameters and 71.41 MFLOPS. First, we propose an ultra-lightweight neural network with dilated bottleneck (DBNeck) modules and a linear transformer to minimise computational and memory overhead. To mitigate potential accuracy loss, a novel local-global residual attention (LoGRA) module is incorporated. Second, we propose the federated dual adaptive weight aggregation (FedDAWA) algorithm that enhances global model accuracy. Third, our framework is validated using three benchmark datasets for tomato diseases under simulated federated settings. Experimental results show that the proposed method achieves 0.9910% and 0.9915% Top-1 accuracy and 0.9923% and 0.9897% F1-scores on SLIF-Tomato and PlantVillage tomato datasets, respectively.
• Abstract（参考訳）: フェデレーション学習は、インテリジェントな農業ソリューションをデプロイするためのプライバシー保護と効率的なアプローチとして登場した。 地理的に分散した農場における正確なエッジベース診断は,持続可能な農業におけるトマト病の認識に不可欠である。 従来の集中型トレーニングは、中央サーバ上の生データを集約し、通信オーバーヘッド、プライバシーリスク、レイテンシにつながる。 一方、エッジデバイスは限られたリソース内で効果的に動作する軽量ネットワークを必要とする。 本稿では,超軽量なフェデレート学習フレームワークであるU-FedTomAttを提案する。 モデルは245.34Kパラメータと71.41MFLOPSのみである。 まず,拡張ボトルネック(DBNeck)モジュールと線形トランスフォーマを備えた超軽量ニューラルネットワークを提案する。 電位精度損失を軽減するため、新しい局所的残留注意モジュール(LoGRA)が組み込まれている。 第2に,グローバルモデル精度を向上させるフェデレーション二重適応重み付けアルゴリズム(FedDAWA)を提案する。 第3に,本フレームワークは3つのベンチマークデータセットを用いて,シミュレートされたフェデレーション環境下でトマト病の診断を行った。 実験結果から,SLIF-tomato と PlantVillage のトマトデータセットにそれぞれ 0.9910% と 0.9915% のTop-1 精度と 0.9923% と 0.9897% の F1 スコアが得られた。

関連論文リスト

• Dynamic Meta-Ensemble Framework for Efficient and Accurate Deep Learning in Plant Leaf Disease Detection on Resource-Constrained Edge Devices [0.0]
  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。
  論文  参考訳（メタデータ） (2026-01-24T03:57:49Z)
• 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)
• STA-Net: A Decoupled Shape and Texture Attention Network for Lightweight Plant Disease Classification [0.0]
  DeepMADはエッジデバイスのための効率的なネットワークバックボーンを作成するために使用される。 ひとつは形状認識のための変形可能な畳み込み、もう一つはテクスチャ認識のためのGaborフィルタバンクである。 CCMT植物病データセットでは、STA-Netモデルが89.00%、F1スコア88.96%に達した。
  論文  参考訳（メタデータ） (2025-09-03T22:46:20Z)
• FedCVD++: Communication-Efficient Federated Learning for Cardiovascular Risk Prediction with Parametric and Non-Parametric Model Optimization [2.622090950393807]
  心臓血管疾患は毎年1700万人以上の死者を出している。 強化されたフェデレート学習フレームワークであるFedCVD++を紹介する。 FedCVD++は、冠状心疾患のリスク予測のためにパラメトリックモデル(論理回帰、SVM、ニューラルネットワーク)と非パラメトリックモデル(ランサムフォレスト、XGBoost)を統合する。
  論文  参考訳（メタデータ） (2025-07-30T06:17:33Z)
• Enhancing Plant Disease Detection: A Novel CNN-Based Approach with Tensor Subspace Learning and HOWSVD-MD [3.285994579445155]
  本稿では,トマト葉病の検出・分類のための最先端技術を紹介する。 本稿では,高次白色特異値分解(Higher-Order Whitened Singular Value Decomposition)と呼ばれる部分空間学習領域における高度なアプローチを提案する。 このイノベーティブな手法の有効性は、2つの異なるデータセットに関する包括的な実験を通じて厳密に検証された。
  論文  参考訳（メタデータ） (2024-05-30T13:46:56Z)
• Towards Communication-efficient Federated Learning via Sparse and Aligned Adaptive Optimization [90.08459757321405]
  Federated Adam (FedAdam) アルゴリズムはアップリンク通信オーバーヘッドの3倍の増大に悩まされている。 我々はFedAdam-SSMと呼ばれる新しいスパースなFedAdamアルゴリズムを提案する。 我々は,FedAdam-SSMが訓練したモデルと集中型Adamの差異を最小化することにより,スペーシフィケーションエラーによる学習性能劣化を軽減するためにSSMを最適化する。
  論文  参考訳（メタデータ） (2024-05-28T07:56:49Z)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
  デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。 提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
  論文  参考訳（メタデータ） (2022-04-20T19:09:52Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)

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。