論文の概要: Tiny-ViT: A Compact Vision Transformer for Efficient and Explainable Potato Leaf Disease Classification

• arxiv url: http://arxiv.org/abs/2603.26761v1
• Date: Mon, 23 Mar 2026 18:48:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.581596
• Title: Tiny-ViT: A Compact Vision Transformer for Efficient and Explainable Potato Leaf Disease Classification
• Title（参考訳）: Tiny-ViT: 効率的な説明可能なポテト葉病分類のための小型視覚変換器
• Authors: Shakil Mia, Umme Habiba, Urmi Akter, SK Rezwana Quadir Raisa, Jeba Maliha, Md. Iqbal Hossain, Md. Shakhauat Hossan Sumon,
• Abstract要約: 本稿では,資源限定システムで使用される小型かつ効果的な視覚変換器(ViT)であるTiny-ViTモデルを提案する。 試験精度は99.85%で、平均CV精度は99.82%であり、DIT Small、SWIN Tiny、MobileViT XSといったベースラインモデルよりも優れている。
• 参考スコア（独自算出の注目度）: 0.17590081165362778
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early and precise identification of plant diseases, especially in potato crops is important to ensure the health of the crops and ensure the maximum yield . Potato leaf diseases, such as Early Blight and Late Blight, pose significant challenges to farmers, often resulting in yield losses and increased pesticide use. Traditional methods of detection are not only time-consuming, but are also subject to human error, which is why automated and efficient methods are required. The paper introduces a new method of potato leaf disease classification Tiny-ViT model, which is a small and effective Vision Transformer (ViT) developed to be used in resource-limited systems. The model is tested on a dataset of three classes, namely Early Blight, Late Blight, and Healthy leaves, and the preprocessing procedures include resizing, CLAHE, and Gaussian blur to improve the quality of the image. Tiny-ViT model has an impressive test accuracy of 99.85% and a mean CV accuracy of 99.82% which is better than baseline models such as DEIT Small, SWIN Tiny, and MobileViT XS. In addition to this, the model has a Matthews Correlation Coefficient (MCC) of 0.9990 and narrow confidence intervals (CI) of [0.9980, 0.9995], which indicates high reliability and generalization. The training and testing inference time is competitive, and the model exhibits low computational expenses, thereby, making it applicable in real-time applications. Moreover, interpretability of the model is improved with the help of GRAD-CAM, which identifies diseased areas. Altogether, the proposed Tiny-ViT is a solution with a high level of robustness, efficiency, and explainability to the problem of plant disease classification.
• Abstract（参考訳）: 特にジャガイモ作物における植物病の早期かつ正確な同定は、作物の健康を確実にし、最大収量を確保するために重要である。 アーリー・ブライトやレイト・ブライトのようなジャガイモの葉の病気は農夫に重大な課題をもたらし、しばしば収量減少と殺虫剤の使用の増加をもたらした。 従来の検出法は時間を要するだけでなく、人間のエラーも伴うため、自動化された効率的な方法が必要である。 本稿では,資源限定システムで使用される小型かつ効果的な視覚変換器(ViT)であるTiny-ViTモデルを提案する。 このモデルは、Early Blight、Late Blight、Healthyの3つのクラスのデータセットでテストされ、前処理手順には、画像の品質を改善するために、リサイズ、CLAHE、ガウスアンブラーが含まれる。 Tiny-ViTモデルは99.85%、平均CV精度は99.82%であり、DIT Small、SWIN Tiny、MobileViT XSといったベースラインモデルよりも優れている。 このモデルに加えて、マシューズ相関係数 (MCC) は 0.9990 であり、[0.9980, 0.9995] の狭い信頼区間 (CI) は高い信頼性と一般化を示す。 トレーニングとテストの推論時間は競争力があり、計算コストが低いため、リアルタイムアプリケーションに適用できる。 さらに,GRAD-CAMの助けを借りて,疾患領域を同定し,モデルの解釈可能性を向上させる。 さらに、提案されたTiny-ViTは、植物病分類の問題に対する高い堅牢性、効率、説明可能性を備えたソリューションである。

関連論文リスト

• Mam-App: A Novel Parameter-Efficient Mamba Model for Apple Leaf Disease Classification [0.8653321928148544]
  Mam-Appは特徴抽出と葉病分類のためのパラメータ効率のよいMambaベースのモデルである。 精度は99.58%、精度は99.30%、リコールは99.14%、F1スコアは99.22%、パラメータは0.051Mである。
  論文  参考訳（メタデータ） (2026-01-29T05:59:53Z)
• An efficient plant disease detection using transfer learning approach [0.0]
  植物病は農業と農業に重大な課題をもたらす。 本研究では,移動学習手法を用いて植物病の同定とモニタリングを行うシステムを提案する。 このシステムは、Powdery Mildew、Angular Leaf Spot、Early blight、トマトモザイクウイルスなどの細菌、真菌、ウイルス病の存在を正確に検出することができる。
  論文  参考訳（メタデータ） (2025-06-28T13:47:27Z)
• Detection and Classification of Diseases in Multi-Crop Leaves using LSTM and CNN Models [0.0]
  植物病は作物の収穫量を減らし、食糧品質に影響を与えることで農業に深刻な課題をもたらす。 本研究では,植物葉病の分類に畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)モデルを適用した。
  論文  参考訳（メタデータ） (2025-04-30T02:36:51Z)
• Enhancing Leaf Disease Classification Using GAT-GCN Hybrid Model [0.23301643766310373]
  本研究では,葉病分類のためのグラフ注意ネットワーク(GAT)とグラフ畳み込みネットワーク(GCN)を組み合わせたハイブリッドモデルを提案する。 GCNはグラフ構造化データから学習するために広く使われており、GATは最も重要な隣人に焦点を当てるために注意機構を組み込むことによってこれを強化している。 エッジ拡張技術は、モデルの検知能力にかなりの一般化をもたらした。
  論文  参考訳（メタデータ） (2025-04-07T06:31:38Z)
• PND-Net: Plant Nutrition Deficiency and Disease Classification using Graph Convolutional Network [18.778641229886393]
  本稿では,グラフ畳み込みネットワーク(GNN)を用いた植物栄養障害と疾患分類の新しい深層学習法を提案する。 The proposed method, called Plant Nutrition Deficiency and Disease Network (PND-Net) was evaluate on two public datasets for nutrition deficiency, and two for disease classification using four CNNs。
  論文  参考訳（メタデータ） (2024-10-16T17:01:28Z)
• Early Detection of Coffee Leaf Rust Through Convolutional Neural Networks Trained on Low-Resolution Images [27.195033353775006]
  コーヒー葉のさびは、真菌のHemileia vastatrixによって引き起こされた葉病であり、コーヒー生産にとって大きな脅威となる。 早期疾患検出を強化するためのディープラーニングモデルは、広範囲な処理能力と大量のデータを必要とする。 本稿では,高域通過フィルタを用いたトレーニング画像のコントラスト向上を目的とした前処理手法を提案する。
  論文  参考訳（メタデータ） (2024-07-20T03:24:25Z)
• Aphid Cluster Recognition and Detection in the Wild Using Deep Learning Models [17.65292847038642]
  アフィドの寄生は作物生産、農村社会、世界の食料安全保障に重大な脅威をもたらす。 本稿では,アフィドクラスタの検出にディープラーニングモデルを用いることに主眼を置いている。 そこで本研究では,アフィドクラスターの検出により感染レベルを推定する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-10T23:53:07Z)
• A New Knowledge Distillation Network for Incremental Few-Shot Surface Defect Detection [20.712532953953808]
  本稿では,DKAN(Dual Knowledge Align Network)と呼ばれる新しい知識蒸留ネットワークを提案する。 提案したDKAN法は,事前学習型ファインタニング伝達学習パラダイムを踏襲し,ファインタニングのための知識蒸留フレームワークを設計した。 Few-shot NEU-DETデータセットをインクリメンタルに実験した結果、DKANは様々なシーンで他の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-01T15:08:44Z)
• BERTHop: An Effective Vision-and-Language Model for Chest X-ray Disease Diagnosis [42.917164607812886]
  ヴィジュアル・アンド・ランゲージ(V&L)モデルは、画像とテキストを入力として取り、それら間の関連を捉えることを学ぶ。 BERTHopは、PixelHop++とVisualBERTをベースとしたトランスフォーマーベースのモデルで、2つのモダリティ間の関連をよりよく捉える。
  論文  参考訳（メタデータ） (2021-08-10T21:51:25Z)
• Real-time Plant Health Assessment Via Implementing Cloud-based Scalable Transfer Learning On AWS DeepLens [0.8714677279673736]
  植物葉病の検出・分類のための機械学習手法を提案する。 私たちは、AWS SageMaker上でスケーラブルな転送学習を使用して、リアルタイムの実用的なユーザビリティのために、AWS DeepLensにインポートしています。 果実や野菜の健康・不健康な葉の広範な画像データセットに関する実験では,植物葉病のリアルタイム診断で98.78%の精度を示した。
  論文  参考訳（メタデータ） (2020-09-09T05:23:34Z)
• 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。