論文の概要: Image-Based Classification of Olive Species Specific to Turkiye with Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2603.00168v1
• Date: Thu, 26 Feb 2026 09:58:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.076592
• Title: Image-Based Classification of Olive Species Specific to Turkiye with Deep Neural Networks
• Title（参考訳）: ディープニューラルネットワークを用いたトゥルカイ固有のオリーブ種の画像分類
• Authors: Irfan Atabas, Hatice Karatas,
• Abstract要約: 効率的なNetB0モデルは94.5%の精度で最適な性能を示した。 ディープラーニングに基づくシステムは、オリーブ種を高精度に分類するための効果的なソリューションを提供する。 本手法は, 農作物の自動識別や品質管理などの分野への応用に有意な可能性を秘めている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, image processing and deep learning methodologies were employed to automatically classify local olive species cultivated in Turkiye. A stereo camera was utilized to capture images of five distinct olive species, which were then preprocessed to ensure their suitability for analysis. Convolutional Neural Network (CNN) architectures, specifically MobileNetV2 and EfficientNetB0, were employed for image classification. These models were optimized through a transfer learning approach. The training and testing results indicated that the EfficientNetB0 model exhibited the optimal performance, with an accuracy of 94.5%. The findings demonstrate that deep learning-based systems offer an effective solution for classifying olive species with high accuracy. The developed method has significant potential for application in areas such as automatic identification and quality control of agricultural products.
• Abstract（参考訳）: 本研究では,トゥルカイで栽培されているオリーブ類を自動的に分類するために,画像処理と深層学習手法を用いた。 ステレオカメラを用いて5つの異なるオリーブ種の画像を撮影し、分析に適するよう前処理した。 画像分類には畳み込みニューラルネットワーク(CNN)アーキテクチャ、特にMobileNetV2とEfficientNetB0が用いられた。 これらのモデルは、転送学習アプローチによって最適化された。 トレーニングと試験の結果、効率の良いNetB0モデルは94.5%の精度で最適な性能を示した。 その結果, 深層学習に基づくシステムは, オリーブ種を高精度に分類する有効な方法であることがわかった。 本手法は, 農作物の自動識別や品質管理などの分野への応用に有意な可能性を秘めている。

関連論文リスト

• Image-Based Classification of Olive Varieties Native to Turkiye Using Multiple Deep Learning Architectures: Analysis of Performance, Complexity, and Generalization [0.0]
  本研究では,トルコで栽培されている5種類の黒テーブルオリーブ品種の自動分類のための複数のディープラーニングアーキテクチャを比較した。 MobileNetV2、EfficientNetB0、EfficientNetV2-S、ResNet50、ResNet101、DenseNet121、InceptionV3、ConvNeXt-Tiny、ViT-B16、Swin-Tという10のアーキテクチャがトランスファー学習を用いてトレーニングされた。 EfficientNetV2-Sは最も高い分類精度(95.8%)を達成し、EfficientNetB0は精度と計算複雑性の最良のトレードオフを提供した。
  論文  参考訳（メタデータ） (2026-02-20T07:26:11Z)
• Enhancing Histopathological Image Classification via Integrated HOG and Deep Features with Robust Noise Performance [0.0]
  本研究では,LC25000データセットを用いた機械学習モデルとディープラーニングモデルの分類性能を評価する。 微調整されたInceptionResNet-v2は96.01%、平均的なAUCは96.8%の精度を達成した。 InceptionResNet-v2の深い機能で訓練されたモデルは、事前訓練されたネットワークのみを使用したモデルよりも優れていた。
  論文  参考訳（メタデータ） (2026-01-03T03:33:10Z)
• Deep Learning for Automated Identification of Vietnamese Timber Species: A Tool for Ecological Monitoring and Conservation [2.1466764570532004]
  本研究では,ベトナムでよく見られる10種の木材の自動分類における深層学習の適用について検討した。 フィールドコレクトされた木材サンプルからカスタムイメージデータセットを構築し、5つの最先端の畳み込みニューラルネットワークアーキテクチャを評価した。 ShuffleNetV2は、99.29%、F1スコア99.35%の精度で、分類性能と計算効率の最良のバランスを達成した。
  論文  参考訳（メタデータ） (2025-08-13T02:54:58Z)
• Self-Supervised Learning in Deep Networks: A Pathway to Robust Few-Shot Classification [0.0]
  まず、ラベルのない大量のデータから共通特徴表現を学習できるように、自己スーパービジョンでモデルを事前訓練する。 その後、数ショットのデータセットMini-ImageNetで微調整を行い、限られたデータの下でモデルの精度と一般化能力を改善する。
  論文  参考訳（メタデータ） (2024-11-19T01:01:56Z)
• DP-IQA: Utilizing Diffusion Prior for Blind Image Quality Assessment in the Wild [73.6767681305851]
  野生のブラインド画像品質評価(IQA)は重大な課題を呈している。 大規模なトレーニングデータの収集が困難であることを考えると、厳密な一般化モデルを開発するために限られたデータを活用することは、未解決の問題である。 事前訓練されたテキスト・ツー・イメージ(T2I)拡散モデルの堅牢な画像認識能力により,新しいIQA法,拡散先行に基づくIQAを提案する。
  論文  参考訳（メタデータ） (2024-05-30T12:32:35Z)
• A Light-weight Deep Learning Model for Remote Sensing Image Classification [70.66164876551674]
  リモートセンシング画像分類(RSIC)のための高性能で軽量なディープラーニングモデルを提案する。 NWPU-RESISC45ベンチマークで広範な実験を行うことで、提案した教師学生モデルは最先端システムより優れている。
  論文  参考訳（メタデータ） (2023-02-25T09:02:01Z)
• NCTV: Neural Clamping Toolkit and Visualization for Neural Network Calibration [66.22668336495175]
  ニューラルネットワークのキャリブレーションに対する考慮の欠如は、人間から信頼を得ることはないだろう。 我々はNeural Clamping Toolkitを紹介した。これは開発者が最先端のモデルに依存しないキャリブレーションモデルを採用するのを支援するために設計された最初のオープンソースフレームワークである。
  論文  参考訳（メタデータ） (2022-11-29T15:03:05Z)
• Facilitated machine learning for image-based fruit quality assessment in developing countries [68.8204255655161]
  自動画像分類は食品科学における教師あり機械学習の一般的な課題である。 事前学習型視覚変換器(ViT)に基づく代替手法を提案する。 標準的なデバイス上で限られたリソースで簡単に実装できる。
  論文  参考訳（メタデータ） (2022-07-10T19:52:20Z)
• Self-Denoising Neural Networks for Few Shot Learning [66.38505903102373]
  既存のニューラルアーキテクチャの複数の段階でノイズを追加すると同時に、この付加ノイズに対して堅牢であるように学習する新しいトレーニングスキームを提案する。 このアーキテクチャは、SDNN(Self-Denoising Neural Network)と呼ばれ、現代の畳み込みニューラルネットワークに容易に適用できます。
  論文  参考訳（メタデータ） (2021-10-26T03:28:36Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Classification of Seeds using Domain Randomization on Self-Supervised Learning Frameworks [0.0]
  鍵となるボトルネックは、畳み込みニューラルネットワーク(CNN)をトレーニングする大量のラベル付きデータの必要性である。 この研究は、これを達成するために、コントラスト学習とドメインランダム化の概念を活用している。 実世界の画像の表象的サンプル作物から生成された合成画像の使用は、大量のテスト対象の必要性を軽減する。
  論文  参考訳（メタデータ） (2021-03-29T12:50:06Z)
• Learning to Learn Parameterized Classification Networks for Scalable Input Images [76.44375136492827]
  畳み込みニューラルネットワーク(CNN)は、入力解像度の変化に関して予測可能な認識動作を持たない。 我々はメタラーナーを用いて、様々な入力スケールのメインネットワークの畳み込み重みを生成する。 さらに、異なる入力解像度に基づいて、モデル予測よりもフライでの知識蒸留を利用する。
  論文  参考訳（メタデータ） (2020-07-13T04:27:25Z)

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。