論文の概要: CottonLeafVision: An Explainable and Robust Deep Learning Framework for Cotton Leaf Disease Classification

• arxiv url: http://arxiv.org/abs/2606.14686v1
• Date: Fri, 12 Jun 2026 17:50:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:43.022851
• Title: CottonLeafVision: An Explainable and Robust Deep Learning Framework for Cotton Leaf Disease Classification
• Title（参考訳）: Cotton LeafVision: Cotton Leaf病分類のための説明可能な、ロバストなディープラーニングフレームワーク
• Authors: Rafi Ahamed, Md. Abir Rahman, Tasnia Tarannum Roza, Munaia Jannat Easha, Md. Asif Khan, Sudeepta Mandal,
• Abstract要約: 綿葉病を正確に分類し、検出すること。 我々は,綿葉病画像データセットを用いて,事前訓練したディープ畳み込みニューラルネットワークの評価を行った。 DenseNet201では、最も高い分類精度が98%に達しました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Globally, cotton is a highly economically beneficial crop, as the textile industry heavily depends on it. So, the precise identification and detection of cotton leaf disease is crucial for economic stability. The development goal of "CottonLeafVision" is to accurately classify and detect cotton leaf disease. With this goal, we have evaluated multiple pretrained Deep Convolutional Neural Networks, including DenseNet201, InceptionV3, and VGG19 on a publicly available cotton leaf disease image dataset. This image dataset includes seven classes, six disease classes, and one healthy class, collected under various field conditions reflecting real-world challenges. Among these pretrained models, with DenseNet201, we have achieved the highest classification accuracy of 98%. To enhance the model reliability and interpretability, we have implemented different techniques and methods such as Gradient-weighted Class Activation Mapping (Grad-CAM), occlusion sensitivity analysis and adversarial training to increase the noise resistance of the model. Finally, we have developed a prototype in order to utilize the model's capabilities on real life agriculture. This paper shows the deep learning model's capabilities to classify the disease in real-life cotton disease management situations.
• Abstract（参考訳）: 世界的には綿花が経済的に有利な作物であり、繊維産業は綿花に大きく依存している。 したがって、綿葉病の正確な同定と検出は経済の安定に不可欠である。 綿葉病」の開発目標は、綿葉病を正確に分類し、検出することである。 この目標により、DenseNet201、InceptionV3、VGG19などの事前訓練されたディープ畳み込みニューラルネットワークを、一般公開された綿葉病画像データセット上で評価した。 この画像データセットは、現実世界の課題を反映した様々なフィールド条件下で収集された7つのクラス、6つの病気クラス、1つの健康クラスを含む。 これらの事前訓練モデルのうち、DenseNet201では、最も高い分類精度が98%に達した。 モデルの信頼性と解釈可能性を高めるため,グラディエント重み付きクラスアクティベーションマッピング(Grad-CAM)やオクルージョン感度解析,対角的トレーニングなど,モデルの耐雑音性を高めるための様々な手法と手法を実装した。 最後に,実生活農業におけるモデルの能力を活用するためのプロトタイプを開発した。 本稿では,実生綿病管理状況における深層学習モデルの病状分類能力について述べる。

関連論文リスト

• GourNet: A CNN-Based Model for Mango Leaf Disease Detection [1.9573380763700712]
  マンゴー葉の感染を識別する「GourNet」という「深層学習」モデルを導入する。 我々は"MangoLeafBD"データセットを使用して、提示されたモデルの有効性をトレーニングし、評価する。 我々のモデルは683,656個の合計パラメータしか使用せず、分類精度は97%である。
  論文  参考訳（メタデータ） (2026-04-30T11:53:32Z)
• TeaLeafVision: An Explainable and Robust Deep Learning Framework for Tea Leaf Disease Classification [0.0]
  我々は、いくつかの畳み込みニューラルネットワーク(CNN)モデルを評価し、そのうち3つは顕著な性能を示した。 DenseNet201は99%という高いテスト精度を達成した。 本稿では,茶葉病のリアルタイム診断・管理における深層学習モデルの有用性について述べる。
  論文  参考訳（メタデータ） (2026-04-08T15:11:33Z)
• XAI and Few-shot-based Hybrid Classification Model for Plant Leaf Disease Prognosis [8.399688944263843]
  このフレームワークは、実世界のデータ制約のある農業病モニタリングアプリケーションに有望なソリューションを提供する。 このモデルは高い精度、精度、リコール、F1スコアを連続的に達成し、様々な疾患の段階では92%を超えることがよくある。
  論文  参考訳（メタデータ） (2026-03-03T13:29:35Z)
• Toward Reliable Tea Leaf Disease Diagnosis Using Deep Learning Model: Enhancing Robustness With Explainable AI and Adversarial Training [0.0]
  本研究は,ティーリーフBDデータセットに基づく茶葉病分類の自動深層学習モデルを開発した。 提案するパイプラインには、データ前処理、データ分割、敵トレーニング、拡張、モデルトレーニング、評価、理解が含まれる。 実験の結果,EfficientNetB3が93%,DenseNet201が91%に達した。
  論文  参考訳（メタデータ） (2026-02-11T17:21:36Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Comparison of ConvNeXt and Vision-Language Models for Breast Density Assessment in Screening Mammography [39.58317527488534]
  本研究では,BI-RADSシステムを用いた自動分類のためのマルチモーダル法とCNN法の比較を行った。 ゼロショット分類は、微調整されたConvNeXtモデルがBioMedCLIP線形プローブよりも優れた性能を示した。 これらの結果から, マルチモーダル学習の約束にもかかわらず, エンドツーエンドの微調整を施したCNNモデルの方が, 医用画像の特化に有効であることが示唆された。
  論文  参考訳（メタデータ） (2025-06-16T20:14:37Z)
• Improved Cotton Leaf Disease Classification Using Parameter-Efficient Deep Learning Framework [0.0]
  綿花は「白金」と呼ばれ、重要な生産課題に直面している。 この課題に対処するために、ディープラーニングと機械学習の技術が研究されている。 我々はMobileNetからトレーニング可能なレイヤのサブセットを統合する革新的なディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-23T14:01:10Z)
• Benchmarking In-the-wild Multimodal Disease Recognition and A Versatile Baseline [42.49727243388804]
  そこで本研究では,植物病原体認識データセットを提案する。 病気のクラスが最も多いだけでなく、各疾患に関するテキストベースの記述も含んでいる。 提案したデータセットは,実世界の疾患認識手法を評価するための理想的なテストベッドとみなすことができる。
  論文  参考訳（メタデータ） (2024-08-06T11:49:13Z)
• Generating Realistic Counterfactuals for Retinal Fundus and OCT Images using Diffusion Models [36.81751569090276]
  否定的推論は、意思決定の説明や代替案の定量化のために臨床現場でしばしば用いられる。 ここでは,網膜疾患分類タスクを訓練した逆向き頑健な分類器と併用した拡散モデルを用いることで,極めて現実的な対物生成が可能であることを実証する。 ユーザスタディにおいて、ドメインの専門家は、我々の手法を用いて生成された偽物は、以前の方法から生成された偽物よりもはるかに現実的であり、実際の画像と区別できないものさえ見出した。
  論文  参考訳（メタデータ） (2023-11-20T09:28:04Z)
• MedFMC: A Real-world Dataset and Benchmark For Foundation Model Adaptation in Medical Image Classification [41.16626194300303]
  ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。 最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。 しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
  論文  参考訳（メタデータ） (2023-06-16T01:46:07Z)

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。