Fugu-MT 論文翻訳(概要): A Resource-Efficient Hybrid CNN-LSTM network for image-based bean leaf disease classification

論文の概要: A Resource-Efficient Hybrid CNN-LSTM network for image-based bean leaf disease classification

arxiv url: http://arxiv.org/abs/2604.13835v1
Date: Wed, 15 Apr 2026 13:09:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-16 20:38:32.548723
Title: A Resource-Efficient Hybrid CNN-LSTM network for image-based bean leaf disease classification
Title（参考訳）: イメージベース豆葉病分類のための資源効率の良いハイブリッドCNN-LSTMネットワーク
Authors: Hye Jin Rhee, Joseph Damilola Akinyemi,
Abstract要約: 本稿では,豆葉病分類のための軽量ハイブリッドCNN-LSTMシステムを提案する。特徴マップ内の空間系列関係をモデル化するためにLSTM層を統合することで、我々のハイブリッドアーキテクチャは94.38%の精度を達成できる。 textitibean$データセットの結果、提案システムはEfficientNet-B7+LSTMで99.22%の最先端のF1スコアを達成することを確認した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Accurate and resource-efficient automated diagnosis is a cornerstone of modern agricultural expert systems. While Convolutional Neural Networks (CNNs) have established benchmarks in plant pathology, their ability to capture long-range spatial dependencies is often limited by standard pooling layers, and their high memory footprint hinders deployment on portable devices. This paper proposes a lightweight hybrid CNN-LSTM system for bean leaf disease classification. By integrating an LSTM layer to model the spatial-sequential relationships within feature maps, our hybrid architecture achieves a 94.38% accuracy while maintaining an exceptionally small footprint of 1.86 MB; a 70% reduction in size compared to traditional CNN-based systems. Furthermore, we provide a systematic evaluation of image augmentation strategies, demonstrating that tailored transformations are superior to generic combinations for maintaining the integrity of diagnostic patterns. Results on the $\textit{ibean}$ dataset confirm that the proposed system achieves state-of-the-art F1 scores of 99.22% with EfficientNet-B7+LSTM, providing a robust and scalable framework for real-time agricultural decision support in resource-constrained environments. The code and augmented datasets used in this study are publicly available on this $\href{https://github.com/HJin-R/bean_disease}{Github}$ repo.
Abstract（参考訳）: 正確な資源効率の高い自動診断は、現代の農業専門家システムの基盤となっている。 Convolutional Neural Networks(CNN)は、植物病理学のベンチマークを確立しているが、長距離空間依存をキャプチャする能力は、標準的なプーリング層によって制限されることが多く、高いメモリフットプリントは、ポータブルデバイスへのデプロイメントを妨げている。本稿では,豆葉病分類のための軽量ハイブリッドCNN-LSTMシステムを提案する。特徴マップ内の空間系列関係をモデル化するためにLSTM層を統合することで、我々のハイブリッドアーキテクチャは94.38%の精度を実現し、1.86MBの非常に小さなフットプリントを維持しながら、従来のCNNシステムと比較して70%の削減を実現した。さらに,画像拡張戦略の体系的評価を行い,診断パターンの整合性を維持するための汎用的な組み合わせよりも適合した変換の方が優れていることを示す。 The $\textit{ibean}$ datasetの結果、提案システムはEfficientNet-B7+LSTMを用いて99.22%の最先端F1スコアを達成し、資源制約のある環境でのリアルタイム農業意思決定支援のための堅牢でスケーラブルなフレームワークを提供することを確認した。この研究で使用されるコードと拡張データセットは、この$\href{https://github.com/HJin-R/bean_disease}{Github}$ repoで公開されている。

関連論文リスト

AgriPath: A Systematic Exploration of Architectural Trade-offs for Crop Disease Classification [45.52399819498234]
本研究は、細粒度作物病分類のための3つのモデルパラダイムの体系的比較を示す。我々は16の作物と41の病気にまたがる111kの画像を含むベンチマークであるAgriPath-LF16を紹介する。 CNNは画像の精度が最も高いが、ドメインシフトによって劣化する。対照的なVLMは、競合するクロスドメイン性能を持つ堅牢でパラメータ効率の良い代替手段を提供する。
論文参考訳（メタデータ） (2026-03-08T17:28:01Z)
GFPL: Generative Federated Prototype Learning for Resource-Constrained and Data-Imbalanced Vision Task [43.723840781330914]
フェデレートラーニング(FL)は、分散イメージのセキュアな活用を容易にする。 FLは、非効率的な知識融合と禁止的な通信オーバーヘッドという、現実世界の展開において2つの重要な課題に直面している。本稿では,これらの問題に対処する新しいジェネレーティブ・フェデレーション・プロトタイプ学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-02-25T12:57:45Z)
HOG-CNN: Integrating Histogram of Oriented Gradients with Convolutional Neural Networks for Retinal Image Classification [1.5939351525664014]
本稿では,HOG-CNNと呼ばれるハイブリッド特徴抽出モデルに基づく,自動的かつ解釈可能な臨床診断支援フレームワークを提案する。私たちの重要な貢献は、手作りのHistogram of Oriented Gradients(HOG)機能とDeep Convolutional Neural Network(CNN)表現の統合です。本モデルでは,2次DR分類では98.5%,2次DR分類では99.2AUC,5次DR分類では94.2AUCが得られた。
論文参考訳（メタデータ） (2025-07-29T22:54:28Z)
A Lightweight Deep Learning Model for Automatic Modulation Classification using Dual Path Deep Residual Shrinkage Network [0.0]
自動変調分類(AMC)はスペクトル効率を高める上で重要な役割を果たしている。低複雑性と高い分類精度のバランスをとる軽量AMCモデルの必要性が高まっている。本稿では,資源制約エッジデバイスに最適化された低複雑さ,軽量深層学習(DL)AMCモデルを提案する。
論文参考訳（メタデータ） (2025-07-07T00:37:54Z)
Soybean Disease Detection via Interpretable Hybrid CNN-GNN: Integrating MobileNetV2 and GraphSAGE with Cross-Modal Attention [1.927711700724334]
大豆の葉の病原体の検出は農業の生産性にとって重要であるが、視覚的に類似した症状と限定的な解釈可能性のために課題に直面している。本稿では,局所化特徴抽出のためのMobileNetV2とリレーショナルモデリングのためのGraphSAGEを相乗化する,解釈可能なハイブリッドCNN-Graph Neural Network(GNN)フレームワークを提案する。クロスモーダル解釈はGrad-CAMおよびEigen-CAMビジュアライゼーションを通じて実現され、熱マップを生成して疾患の流入領域をハイライトする。
論文参考訳（メタデータ） (2025-03-03T08:12:09Z)
Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。 In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文参考訳（メタデータ） (2023-10-17T01:05:28Z)
Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文参考訳（メタデータ） (2023-08-04T01:19:32Z)
Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
論文参考訳（メタデータ） (2022-11-29T23:47:56Z)

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。