論文の概要: Evaluating Histogram Matching for Robust Deep learning-Based Grapevine Disease Detection

• arxiv url: http://arxiv.org/abs/2604.19510v1
• Date: Tue, 21 Apr 2026 14:27:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.813019
• Title: Evaluating Histogram Matching for Robust Deep learning-Based Grapevine Disease Detection
• Title（参考訳）: 頑健な深層学習によるGrapevine病検出のためのヒストグラムマッチングの評価
• Authors: Ruben Pascual, Inés Hernández, Salvador Gutiérrez, Javier Tardaguila, Pedro Melo-Pinto, Daniel Paternain, Mikel Galar,
• Abstract要約: ヒストグラムマッチング(Histogram Matching)は、画像の画素強度分布を基準プロファイルに一致するように変換する技法である。 本稿では,HM: (i) を正規化のための前処理ステップとして,および (ii) 制御された訓練変数を導入するためのデータ拡張手法として,HM: (i) の2段階統合を提案する。
• 参考スコア（独自算出の注目度）: 3.9714494364463526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Variability in illumination is a primary factor limiting deep learning robustness for field-based plant disease detection. This study evaluates Histogram Matching (HM), a technique that transforms the pixel intensity distribution of an image to match a reference profile, to mitigate this in grapevine classification, distinguishing among healthy leaves, downy mildew, and spider mite damage. We propose a dual-stage integration of HM: (i) as a preprocessing step for normalization, and (ii) as a data augmentation technique to introduce controlled training variability. Experiments using 1,469 RGB images (comprising homogeneous leaf-focused and heterogeneous canopy samples) to train ResNet-18 models demonstrate that this combination significantly enhances robustness on real-world canopy images. While leaf-focused samples showed marginal gains, the canopy subset improved markedly, indicating that balancing normalization with histogram-based diversification effectively bridges the domain gap caused by uncontrolled lighting.
• Abstract（参考訳）: 照明の多様性は、フィールドベースの植物病の検出において、ディープラーニングの堅牢性を制限する主要な要因である。 本研究は、画像の画素強度分布を基準プロファイルと一致させる手法であるヒストグラムマッチング(HM)を評価し、これをブドウの分類において緩和し、健康な葉、落ち葉、クモのダニの損傷を区別する。 HMの2段階統合を提案する。 i) 正規化のための前処理段階として、及び (II) 制御された訓練変数を導入するためのデータ拡張手法として。 1,469枚のRGB画像(同質の葉焦点と異質の天蓋サンプルを含む)を用いてResNet-18モデルを訓練し、この組み合わせが現実世界の天蓋画像の堅牢性を大幅に向上させることを示した。 葉に焦点をあてたサンプルでは縁の利得が見られたが、天蓋のサブセットは顕著に改善し、ヒストグラムに基づく多様化と正規化のバランスが、制御不能な照明による領域ギャップを効果的に橋渡しすることを示した。

関連論文リスト

• SGW-GAN: Sliced Gromov-Wasserstein Guided GANs for Retinal Fundus Image Enhancement [8.459174944716906]
  近年のGANおよび拡散に基づく拡張手法は、劣化した画像を高品質な分布に整列させることで知覚品質を向上させる。 SGW-GANは、Sliced GW(SGW)を網膜画像拡張に組み込んだ最初のフレームワークである。 公開データセットの実験では、SGW-GANは視覚的に説得力のある拡張を行い、優れた糖尿病網膜症をグレーディングし、疾患ラベル間でのGW差が最も低いことを報告している。
  論文  参考訳（メタデータ） (2026-01-19T21:57:18Z)
• Divide and Conquer: Grounding a Bleeding Areas in Gastrointestinal Image with Two-Stage Model [7.1083241462091165]
  本研究では,従来のマルチタスク学習モデルが生み出す課題に対処するために,分類と接地を分離する2段階の枠組みを提案する。 実験結果から,分類精度とセグメンテーション精度が有意に向上した。
  論文  参考訳（メタデータ） (2024-12-21T18:18:12Z)
• Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement [71.13353154514418]
  低照度画像の強化、特に生ドメインからsRGBドメインへのマッピングのようなクロスドメインタスクは、依然として大きな課題である。 RAWMambaと呼ばれる低照度RAW画像用にカスタマイズされた新しいMambaベースの手法を提案する。 低照度RAW画像の高精細化を図り、復調を施すことにより、高精細化を実現する。
  論文  参考訳（メタデータ） (2024-09-11T06:12:03Z)
• Forgery-aware Adaptive Transformer for Generalizable Synthetic Image Detection [106.39544368711427]
  本研究では,様々な生成手法から偽画像を検出することを目的とした,一般化可能な合成画像検出の課題について検討する。 本稿では,FatFormerという新しいフォージェリー適応トランスフォーマー手法を提案する。 提案手法は, 平均98%の精度でGANを観測し, 95%の精度で拡散モデルを解析した。
  論文  参考訳（メタデータ） (2023-12-27T17:36:32Z)
• One Sample Diffusion Model in Projection Domain for Low-Dose CT Imaging [10.797632196651731]
  低線量CTは臨床応用における放射線リスクの低減に重要な役割を担っている。 ディープラーニングの急速な開発と幅広い応用により、低線量CTイメージングアルゴリズムの開発に向けた新たな方向性がもたらされた。 低用量CT再構成のための投影領域における完全に教師なし1サンプル拡散モデル(OSDM)を提案する。 以上の結果から,OSDMはアーティファクトを低減し,画像品質を維持するための実用的で効果的なモデルであることが証明された。
  論文  参考訳（メタデータ） (2022-12-07T13:39:23Z)
• Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment [53.401889855278704]
  FS-FGR (Few-shot Fine-fine Recognition) は、限られたサンプルの助けを借りて、新しいきめ細かなカテゴリを認識することを目的としている。 本研究では,背景アクティベーション抑制 (BAS) モジュール,フォアグラウンドオブジェクトアライメント (FOA) モジュール,および局所的局所的(L2L) 類似度測定器からなる2段階の背景アライメントとフォアグラウンドアライメントフレームワークを提案する。 複数のベンチマークで行った実験により,提案手法は既存の最先端技術よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-04T07:54:40Z)
• Retinal Image Restoration and Vessel Segmentation using Modified Cycle-CBAM and CBAM-UNet [0.7868449549351486]
  畳み込みブロックアテンションモジュール(CBAM)を備えたサイクル一貫性生成対向ネットワーク(CycleGAN)を網膜画像復元に使用する。 修正されたUNetは、回復した網膜画像の網膜血管セグメンテーションに使用される。 提案手法は, アウト・オブ・フォーカスのぼかし, 色歪み, 低, 高, 不均一照明による劣化効果を著しく低減することができる。
  論文  参考訳（メタデータ） (2022-09-09T10:47:20Z)

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。