論文の概要: Improving Fine-Grained Rice Leaf Disease Detection via Angular-Compactness Dual Loss Learning

• arxiv url: http://arxiv.org/abs/2603.25006v1
• Date: Thu, 26 Mar 2026 04:07:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.090601
• Title: Improving Fine-Grained Rice Leaf Disease Detection via Angular-Compactness Dual Loss Learning
• Title（参考訳）: 角質二重損失学習による細粒水稲葉病検出の改善
• Authors: Md. Rokon Mia, Rakib Hossain Sajib, Abdullah Al Noman, Abir Ahmed, B M Taslimul Haque,
• Abstract要約: 米葉病の早期発見は、大規模な収穫損失のリスクを著しく減少させる可能性がある。 そこで本研究では,Center LossとArcFace Lossを併用して,イネ葉病の微粒化を図った二重ロスフレームワークを提案する。 評価は99.6%,99.2%,99.2%であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early detection of rice leaf diseases is critical, as rice is a staple crop supporting a substantial share of the world's population. Timely identification of these diseases enables more effective intervention and significantly reduces the risk of large-scale crop losses. However, traditional deep learning models primarily rely on cross entropy loss, which often struggles with high intra-class variance and inter-class similarity, common challenges in plant pathology datasets. To tackle this, we propose a dual-loss framework that combines Center Loss and ArcFace Loss to enhance fine-grained classification of rice leaf diseases. The method is applied into three state-of-the-art backbone architectures: InceptionNetV3, DenseNet201, and EfficientNetB0 trained on the public Rice Leaf Dataset. Our approach achieves significant performance gains, with accuracies of 99.6%, 99.2% and 99.2% respectively. The results demonstrate that angular margin-based and center-based constraints substantially boost the discriminative strength of feature embeddings. In particular, the framework does not require major architectural modifications, making it efficient and practical for real-world deployment in farming environments.
• Abstract（参考訳）: 米の葉病の早期発見は、世界の人口のかなりの割合を支える主要作物であるため、重要である。 これらの病気のタイムリーな同定は、より効果的な介入を可能にし、大規模な作物の損失のリスクを著しく低減する。 しかし、伝統的なディープラーニングモデルは、主にクロスエントロピー損失に依存しており、しばしば植物病理学データセットの一般的な課題であるクラス内分散とクラス間類似性に苦しむ。 そこで本研究では,Center LossとArcFace Lossを併用して,イネ葉病の微粒化を図った二重ロスフレームワークを提案する。 この方法は、InceptionNetV3、DenseNet201、EfficientNetB0の3つの最先端バックボーンアーキテクチャに適用される。 評価は99.6%,99.2%,99.2%であった。 その結果,角マージンベースおよび中心ベース制約は特徴埋め込みの識別力を大幅に向上させることが示された。 特に、このフレームワークは大規模なアーキテクチャ変更を必要とせず、農業環境における現実世界の展開に効率的かつ実用的なものにしている。

関連論文リスト

• The Eminence in Shadow: Exploiting Feature Boundary Ambiguity for Robust Backdoor Attacks [51.468144272905135]
  深層ニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱なままでも重要なアプリケーションを支える。 バックドア攻撃を標的とした理論的解析を行い,不均質なモデル操作を実現するための疎い決定境界に着目した。 エミネンス(Eminence)は、理論的な保証と固有なステルス特性を持つ、説明可能で堅牢なブラックボックスバックドアフレームワークである。
  論文  参考訳（メタデータ） (2025-12-11T08:09:07Z)
• Design and Implementation of FourCropNet: A CNN-Based System for Efficient Multi-Crop Disease Detection and Management [3.4161054453684705]
  本研究では,複数の作物の病原体を検出するための新しいディープラーニングモデルであるFourCropNetを提案する。 FourCropNetは、Grapeの99.7%、Cornの99.5%、組み合わせたデータセットの95.3%の最高精度を達成した。
  論文  参考訳（メタデータ） (2025-03-11T12:00:56Z)
• Advancing Green AI: Efficient and Accurate Lightweight CNNs for Rice Leaf Disease Identification [0.0]
  米は世界の人口の半数以上にとって主要な食料源として重要な役割を担っている。 本研究では,イネ葉病分類のための3つの移動型CNNアーキテクチャについて検討した。 最高のパフォーマンスは、99.8%の精度でEfficientNet-B0モデルによって達成された。
  論文  参考訳（メタデータ） (2024-08-03T11:16:00Z)
• PotatoGANs: Utilizing Generative Adversarial Networks, Instance Segmentation, and Explainable AI for Enhanced Potato Disease Identification and Classification [0.0]
  我々の研究は、PotatoGANsと呼ばれる新しいアプローチを採用している。 2種類のGANを用いて合成ポテト病画像を生成する。 インセプションスコアを指標として,PotatoGANが生成した画像の品質と現実性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-05-12T17:00:52Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• An Efficient Transfer Learning-based Approach for Apple Leaf Disease Classification [0.0]
  本研究では, 移行学習に基づくリンゴ葉病の同定手法を提案する。 提案したパイプラインの能力は、公開されているPlanetVillageのデータセットから、リンゴの葉病サブセットに基づいて評価されている。
  論文  参考訳（メタデータ） (2023-04-10T08:48:36Z)
• Byzantine-Robust Learning on Heterogeneous Data via Gradient Splitting [58.91947205027892]
  フェデレーテッド・ラーニングはビザンツの攻撃に対する脆弱性を示している。 ビザンティン攻撃者は、任意の勾配を中央サーバに送ることで、グローバルモデルの収束と性能を破壊することができる。 アグレゲーション・ルール(AGR)は、ビザンツの攻撃から守るために提案されている。
  論文  参考訳（メタデータ） (2023-02-13T03:31:50Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。