論文の概要: XAI and Few-shot-based Hybrid Classification Model for Plant Leaf Disease Prognosis

• arxiv url: http://arxiv.org/abs/2603.06676v1
• Date: Tue, 03 Mar 2026 13:29:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:12.784141
• Title: XAI and Few-shot-based Hybrid Classification Model for Plant Leaf Disease Prognosis
• Title（参考訳）: XAIとFew-shotによる植物葉病予後のハイブリッド分類モデル
• Authors: Diana Susan Joseph, Pranav M Pawar, Raja Muthalagu, Mithun Mukharjee,
• Abstract要約: このフレームワークは、実世界のデータ制約のある農業病モニタリングアプリケーションに有望なソリューションを提供する。 このモデルは高い精度、精度、リコール、F1スコアを連続的に達成し、様々な疾患の段階では92%を超えることがよくある。
• 参考スコア（独自算出の注目度）: 8.399688944263843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Performing a timely and accurate identification of crop diseases is vital to maintain agricultural productivity and food security. The current work presents a hybrid few-shot learning model that integrates Explainable Artificial Intelligence (XAI) and Few-Shot Learning (FSL) to address the challenge of identifying and classifying the stages of disease of the diseases of maize, rice, and wheat leaves under limited annotated data conditions. The proposed model integrates Siamese and Prototypical Networks within an episodic training paradigm to effectively learn discriminative disease features from a few examples. To ensure model transparency and trustworthiness, Gradient-weighted Class Activation Mapping (Grad-CAM) is employed for visualizing key decision regions in the leaf images, offering interpretable insights into the classification process. Experimental evaluations on custom few-shot datasets developed in the study prove that the model consistently achieves high accuracy, precision, recall, and F1-scores, frequently exceeding 92% across various disease stages. Comparative analyses against baseline FSL models further confirm the superior performance and explainability of the proposed approach. The framework offers a promising solution for real-world, data-constrained agricultural disease monitoring applications.
• Abstract（参考訳）: 作物病のタイムリーかつ正確な識別を行うことは、農業の生産性と食料安全保障を維持するために不可欠である。 本研究は,特定可能な人工知能(XAI)とFew-Shot Learning(FSL)を統合して,トウモロコシ,米,小麦の病原体の病原体の特定と分類を行う。 提案モデルは,シームズと原型ネットワークをエピソード訓練パラダイムに統合し,いくつかの例から識別性疾患の特徴を効果的に学習する。 モデルの透明性と信頼性を確保するため、葉のイメージにおける重要な決定領域を可視化するためにグラディエント重み付きクラス活性化マッピング(Grad-CAM)が採用され、分類プロセスの解釈可能な洞察を提供する。 本研究で開発されたカスタム・ショット・データセットの実験的評価により、モデルが常に高い精度、精度、リコール、F1スコアを達成し、様々な疾患の段階で92%を超えることが証明された。 ベースラインFSLモデルとの比較分析により,提案手法の優れた性能と説明可能性をさらに確認した。 このフレームワークは、実世界のデータ制約のある農業病モニタリングアプリケーションに有望なソリューションを提供する。

関連論文リスト

• LeafNet: A Large-Scale Dataset and Comprehensive Benchmark for Foundational Vision-Language Understanding of Plant Diseases [0.0]
  LeafBenchは、植物病の理解におけるビジョン・ランゲージ・モデル(VLM)の機能を評価するために開発された視覚的質問応答ベンチマークである。 このデータセットは、97の病気のクラスにまたがる186,000の葉のデジタルイメージとメタデータを組み合わせ、13,950の質問応答ペアを生成する。 LeafBenchデータセット上で12の最先端のVLMをベンチマークした結果,その疾患理解能力の相違が明らかとなった。
  論文  参考訳（メタデータ） (2026-02-14T08:10:27Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Handling imbalance and few-sample size in ML based Onion disease classification [1.3177681589844814]
  タマネギの作物病および害虫の多種分類のための頑健な深層学習モデルを提案する。 実世界のフィールド画像データセットに96.90%の精度と0.96のF1スコアを与えるモデルを与える。
  論文  参考訳（メタデータ） (2025-09-01T19:05:39Z)
• A Vision-Language Foundation Model for Leaf Disease Identification [0.0]
  葉の病原性同定は、スマート農業において重要な役割を担っている。 既存の多くの研究は、互いの限界を補うために画像とテキストのモダリティを統合するのに依然として苦労している。 これらの課題に対処する文脈対応の視覚言語基盤モデルであるSCOLDを提案する。
  論文  参考訳（メタデータ） (2025-05-11T15:30:06Z)
• Explainability of Deep Learning-Based Plant Disease Classifiers Through Automated Concept Identification [0.0]
  本稿では,自動概念ベース説明法(ACE)を植物病の分類に適用する。 ACEは画像データに見られる視覚概念を自動的に識別し、モデル予測に影響を与える重要な特徴についての洞察を提供する。 本研究は, 深層学習に基づく植物病分類の解明可能性を高めるためのACEの可能性を示すものである。
  論文  参考訳（メタデータ） (2024-12-10T10:59:43Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。