論文の概要: Comparison of Deep Learning Frameworks For Rice Disease Mapping From UAV Multispectral Imaging

• arxiv url: http://arxiv.org/abs/2606.06359v1
• Date: Thu, 04 Jun 2026 16:26:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.957323
• Title: Comparison of Deep Learning Frameworks For Rice Disease Mapping From UAV Multispectral Imaging
• Title（参考訳）: 紫外線マルチスペクトルイメージングによる水稲病マッピングのためのディープラーニングフレームワークの比較
• Authors: Yadav Raj Ghimire, Jagrati Talreja, Tewodros Syum Gebre, Timothy Agboada, Shikha V. Chandel, Leila Hashemi Beni,
• Abstract要約: 本研究では, コンボリューショナルニューラルネットワーク(CNN)とトランスフォーマーモデルを用いて, イネにおける細菌性葉緑化(BLB)の重症度を分類するためにUAVマルチスペクトル画像を用いた。 評価されたアーキテクチャには、ResNet-101エンコーダ付きU-Net、EfficientNet-B3付きU-Net++、EfficientNetB7、DeepLabV3+、SegFormerなどがある。 その結果,軽量なCNNバックボーンはBLBモニタリングに信頼性が保たれ,植生指標の統合により小型で一貫した改善が得られた。
• 参考スコア（独自算出の注目度）: 0.24430668285226087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, UAV multispectral imagery is used to segment the severity of bacterial leaf blight (BLB) in rice using convolutional neural networks (CNNs) and transformer-based models. The evaluated architectures include U-Net with a ResNet- 101 encoder, U-Net++ with EfficientNet-B3 and EfficientNetB7, DeepLabV3+, and SegFormer, all trained under a common pipeline with three input configurations (multispectral only, multispectral+NDVI, and multispectral+NDRE). Experiments are conducted using the publicly available BLB dataset with performance reported using mean IoU (mIoU), mean F1 (mF1), mean accuracy (mAcc), precision, and recall. U-Net++ with EfficientNet-B3 achieved the highest performance, with an mIoU of 97.62%. SegFormer obtained lower segmentation accuracy but comparable inference speed. Overall, the results indicate that lightweight CNN backbones remain more reliable for operational BLB monitoring while integration of vegetation indices provides small and consistent improvements. The study also highlights the value of standardised UAV datasets to compare disease mapping methods and encourages the use of CNN architectures for field implementation.
• Abstract（参考訳）: 本研究では, コンボリューショナルニューラルネットワーク(CNN)とトランスフォーマーモデルを用いて, イネにおける細菌性葉緑化(BLB)の重症度を分類するためにUAVマルチスペクトル画像を用いた。 評価されたアーキテクチャには、ResNet-101エンコーダを使ったU-Net、EfficientNet-B3とEfficientNetB7を使ったU-Net++、DeepLabV3+、SegFormerの3つの入力構成(マルチスペクトルのみ、マルチスペクトル+NDVI、マルチスペクトル+NDRE)の共通パイプラインでトレーニングされたSegFormerが含まれる。 BLBデータセットを用いて実験を行い、平均IoU(mIoU)、平均F1(mF1)、平均精度(mAcc)、精度、リコールを用いて性能を報告した。 EfficientNet-B3を使用したU-Net++は、97.62%のmIoUで最高性能を達成した。 SegFormerはセグメンテーションの精度は低いが、推論速度は同等だった。 全体として、軽量CNNバックボーンは、運用上のBLB監視において信頼性が高く、一方、植生指標の統合は、小さく、一貫した改善をもたらす。 この研究は、疾患マッピング手法を比較するために標準化されたUAVデータセットの価値を強調し、フィールド実装にCNNアーキテクチャを使うことを奨励している。

関連論文リスト

• Exploring the Relationship between Brain Hemisphere States and Frequency Bands through Deep Learning Optimization Techniques [3.966519779235704]
  本研究は,脳波周波数帯域における様々な畳み込みを用いた性能評価を行い,左右半球の効率的なクラス予測について検討した。 Adagrad と RMSprop は、異なる周波数帯域で一貫して良好に動作し、Adadelta はクロスモデル評価において堅牢な性能を示した。 深層ネットワークは複雑なパターンを学習する際の競合性能を示すが、浅い3層ネットワークは精度が低い場合があり、計算効率が向上する。
  論文  参考訳（メタデータ） (2025-09-17T15:26:45Z)
• Less is More: AMBER-AFNO -- a New Benchmark for Lightweight 3D Medical Image Segmentation [0.57492870498084]
  我々は、もともとマルチバンド画像用に設計されたトランスフォーマーベースモデルであるAMBERを、3次元医療データキューブセグメンテーションのタスクに適用する。 AMBER-AFNOは、トレーニング効率、推論速度、メモリ使用量を大幅に向上させ、競争力または優れた精度を達成する。
  論文  参考訳（メタデータ） (2025-08-03T22:31:00Z)
• V-EfficientNets: Vector-Valued Efficiently Scaled Convolutional Neural Network Models [0.4143603294943439]
  V-EfficientNetsは任意のベクトル値データを処理するように設計されたEfficientNetの新たな拡張である。 提案手法は医用画像分類タスクで評価され,平均精度は99.46%である。 V-EfficientNetsは優れた効率を示し、パラメータを著しく削減し、最先端モデルより優れている。
  論文  参考訳（メタデータ） (2025-05-08T21:35:35Z)
• How Learnable Grids Recover Fine Detail in Low Dimensions: A Neural Tangent Kernel Analysis of Multigrid Parametric Encodings [106.3726679697804]
  フーリエ特徴符号化(FFE)とマルチグリッドパラメトリック符号化(MPE)の2つの手法を比較した。 MPEは低次元マッピングの標準と見なされるが、MPEはそれらを上回り、高解像度で詳細な表現を学習することが多い。 我々は,MPEが学習可能な埋め込みではなく,グリッド構造を通じてネットワークの性能を向上させることを証明した。
  論文  参考訳（メタデータ） (2025-04-18T02:18:08Z)
• fVDB: A Deep-Learning Framework for Sparse, Large-Scale, and High-Performance Spatial Intelligence [55.582429009401956]
  fVDBは、大規模な3Dデータのディープラーニングのための新しいフレームワークである。 私たちのフレームワークは、既存のパイプラインとの相互運用性を可能にするPyTorchと完全に統合されています。
  論文  参考訳（メタデータ） (2024-07-01T20:20:33Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• Basic Binary Convolution Unit for Binarized Image Restoration Network [146.0988597062618]
  本研究では,画像復元作業における残差接続,BatchNorm,アクティベーション機能,構造などのバイナリ畳み込みのコンポーネントを再検討する。 本研究の成果と分析に基づいて, 単純で効率的な基本二元畳み込みユニット (BBCU) を設計した。 我々のBBCUは、他のBNNや軽量モデルよりも大幅に優れており、BBCUがバイナライズされたIRネットワークの基本ユニットとして機能することを示しています。
  論文  参考訳（メタデータ） (2022-10-02T01:54:40Z)
• Single-stream CNN with Learnable Architecture for Multi-source Remote Sensing Data [16.810239678639288]
  マルチソースリモートセンシングデータ共同分類のための,深層畳み込みニューラルネットワーク(CNN)に基づく効率的なフレームワークを提案する。 提案手法は,最新のCNNモデルを任意のマルチソースリモートセンシングデータセットに理論的に調整することができる。 実験により,提案したシングルストリームCNNの有効性が示された。
  論文  参考訳（メタデータ） (2021-09-13T16:10:41Z)
• Enhancing Fiber Orientation Distributions using convolutional Neural Networks [0.0]
  商業的に取得したMRIにおけるFODの改善について学ぶ。 パッチベースの3次元畳み込みニューラルネットワーク(CNN)の評価 本手法により,シングルシェルdMRI取得プロトコル上でのCDDモデル推定が可能となる。
  論文  参考訳（メタデータ） (2020-08-12T16:06:25Z)
• FBNetV3: Joint Architecture-Recipe Search using Predictor Pretraining [65.39532971991778]
  サンプル選択とランキングの両方を導くことで、アーキテクチャとトレーニングのレシピを共同でスコアする精度予測器を提案する。 高速な進化的検索をCPU分で実行し、さまざまなリソース制約に対するアーキテクチャと準備のペアを生成します。 FBNetV3は最先端のコンパクトニューラルネットワークのファミリーを構成しており、自動と手動で設計された競合より優れている。
  論文  参考訳（メタデータ） (2020-06-03T05:20:21Z)

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。