論文の概要: CLAP Convolutional Lightweight Autoencoder for Plant Disease Classification

• arxiv url: http://arxiv.org/abs/2602.18833v1
• Date: Sat, 21 Feb 2026 13:31:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.341856
• Title: CLAP Convolutional Lightweight Autoencoder for Plant Disease Classification
• Title（参考訳）: 植物病分類のためのCLAP畳み込み軽量オートエンコーダ
• Authors: Asish Bera, Subhajit Roy, Sudiptendu Banerjee,
• Abstract要約: 分離可能な畳み込み層を用いた軽量オートエンコーダを提案する。 デコーダによりさらに改善されたエンコーダ特徴識別性(英語版)の長所を精錬するためにシグモイドゲーティングを適用する。 CLAPは、統合植物病、グラウンドナッツ、CCMTデータセットの改善または競争的な精度を達成した。
• 参考スコア（独自算出の注目度）: 3.893876671194572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional neural networks have remarkably progressed the performance of distinguishing plant diseases, severity grading, and nutrition deficiency prediction using leaf images. However, these tasks become more challenging in a realistic in-situ field condition. Often, a traditional machine learning model may fail to capture and interpret discriminative characteristics of plant health, growth and diseases due to subtle variations within leaf subcategories. A few deep learning methods have used additional preprocessing stages or network modules to address the problem, whereas several other methods have utilized pre-trained backbone CNNs, most of which are computationally intensive. Therefore, to address the challenge, we propose a lightweight autoencoder using separable convolutional layers in its encoder decoder blocks. A sigmoid gating is applied for refining the prowess of the encoders feature discriminability, which is improved further by the decoder. Finally, the feature maps of the encoder decoder are combined for rich feature representation before classification. The proposed Convolutional Lightweight Autoencoder for Plant disease classification, called CLAP, has been experimented on three public plant datasets consisting of cassava, tomato, maize, groundnut, grapes, etc. for determining plant health conditions. The CLAP has attained improved or competitive accuracies on the Integrated Plant Disease, Groundnut, and CCMT datasets balancing a tradeoff between the performance, and little computational cost requiring 5 million parameters. The training time is 20 milliseconds and inference time is 1 ms per image.
• Abstract（参考訳）: 畳み込み型ニューラルネットワークは, 植物病の鑑別, 重症度評価, および葉のイメージを用いた栄養不足予測の性能を著しく向上させた。 しかし、現実的な現場条件下では、これらのタスクはより困難になる。 伝統的な機械学習モデルは、葉のサブカテゴリの微妙な変化により、植物の健康、成長、病気の識別的特徴を捉え、解釈できないことが多い。 いくつかのディープラーニング手法では、この問題に対処するために追加の事前処理ステージやネットワークモジュールを使用しており、他のいくつかの手法では事前訓練されたバックボーンCNNを使用しており、そのほとんどは計算集約的である。 そこで本研究では,分離可能な畳み込み層を用いた軽量オートエンコーダを提案する。 デコーダによりさらに改善されたエンコーダ特徴識別性(英語版)の長所を精錬するためにシグモイドゲーティングを適用する。 最後に、エンコーダデコーダの特徴マップを組み合わせて、分類前にリッチな特徴表現を行う。 CLAP (Convolutional Lightweight Autoencoder for Plant disease classification) は,カッサバ,トマト,トウモロコシ,グラウンドナッツ,ブドウなどの公立植物の3つのデータセットを用いて,植物の健康状態を決定する。 CLAPは、統合植物病、グラウンドナッツ、CCMTデータセットの改善または競争的精度を達成し、性能のトレードオフをバランスさせ、500万のパラメータを必要とする計算コストを少なくした。 トレーニング時間は20ミリ秒、推論時間は1枚当たり1ミリ秒である。

関連論文リスト

• Automated Multi-Class Crop Pathology Classification via Convolutional Neural Networks: A Deep Learning Approach for Real-Time Precision Agriculture [0.0]
  本研究では,コンボリューショナルニューラルネットワーク(CNN)を用いた画像分類システムを提案する。 このソリューションは、オープンソースでモバイル互換のプラットフォーム上にデプロイされ、リモートエリアの農家に対してリアルタイムの画像ベースの診断を可能にする。
  論文  参考訳（メタデータ） (2025-07-12T18:45:50Z)
• A Hybrid Technique for Plant Disease Identification and Localisation in Real-time [0.0]
  本稿では, 画像のQuad-Tree分解に基づく植物病の同定とローカライズのための新しい手法を提案する。 提案アルゴリズムは,比較的計算負荷の少ない高解像度画像の精度と高速収束を著しく向上する。
  論文  参考訳（メタデータ） (2024-12-27T15:20:45Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object Detection [40.97322222472642]
  本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。 糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。 我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
  論文  参考訳（メタデータ） (2023-06-26T16:48:20Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Less is More: Lighter and Faster Deep Neural Architecture for Tomato Leaf Disease Classification [0.36700088931938835]
  本研究は,トマト葉の病原体を検出するための,手軽な伝達学習に基づくアプローチを提案する。 効果的な前処理手法を用いて、照度補正による葉画像の高精細化を行い、分類を改良する。 提案アーキテクチャは99.30%の精度でモデルサイズ9.60MBと4.87M浮動小数点演算を実現している。
  論文  参考訳（メタデータ） (2021-09-06T12:14:02Z)
• Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation [63.46694853953092]
  Swin-Unetは、医用画像セグメンテーション用のUnetライクなトランスフォーマーである。 トークン化されたイメージパッチは、TransformerベースのU字型デコーダデコーダアーキテクチャに供給される。
  論文  参考訳（メタデータ） (2021-05-12T09:30:26Z)
• The Plant Pathology 2020 challenge dataset to classify foliar disease of apples [0.0]
  米国のリンゴ果樹園は、多くの病原体や昆虫から常に脅威にさらされている。病気管理の適正かつタイムリーな展開は、早期の疾患検出に依存している。 我々は,複数のリンゴ葉病の高画質・実生症状画像3,651枚を手作業で取得した。 リンゴの皮、スギのリンゴのさび、健康な葉のパイロットデータセットを作成するために専門家が注釈を付けたサブセットが、Kaggleコミュニティの'Plant Pathology Challenge'で利用可能になった。
  論文  参考訳（メタデータ） (2020-04-24T19:36:37Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。