論文の概要: Cross-Architectural Mixture-of-Experts with Adaptive Soft Routing for Plant Leaf Disease Classification
- arxiv url: http://arxiv.org/abs/2606.23441v1
- Date: Mon, 22 Jun 2026 14:58:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 19:05:05.374925
- Title: Cross-Architectural Mixture-of-Experts with Adaptive Soft Routing for Plant Leaf Disease Classification
- Title（参考訳）: 植物葉病の分類における適応的ソフトルーティングを用いたクロスアーキテクチャ・ミックス・オブ・エクスプロイト
- Authors: Phi-Hung Hoang, Thi-Thu-Hong Phan,
- Abstract要約: 本研究では,アーキテクチャ間ルーティングを用いた適応型ソフト・ミックス・オブ・エクササイズ(MoE)フレームワークを提案する。
MoEフレームワークはEfficientNet-B0、DenseNet-121、Swin-Tinyを統合し、補完的なマルチスケール、ローカル、グローバル機能を活用する。
- 参考スコア（独自算出の注目度）: 0.06875312133832077
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Plant leaf disease classification is crucial for crop protection and precision agriculture but remains challenging under complex backgrounds, illumination variations, and severe class imbalance. Moreover, single-architecture models often fail to effectively capture both local and global representations. To address these challenges, this study proposes an adaptive soft Mixture-of-Experts (MoE) framework with cross-architectural routing that integrates EfficientNet-B0, DenseNet-121, and Swin-Tiny to exploit complementary multi-scale, local, and global features. A soft gating mechanism dynamically assigns input-dependent expert weights, while a two-stage refinement training strategy improves optimization stability and generalization. Experiments on a highly imbalanced potato leaf disease dataset achieve 91.68% recall and 92.62% F1-score, surpassing the strongest individual expert by 5.91% and 5.03%, respectively. Additional evaluations on durian and sesame leaf disease datasets yield F1-scores of 94.03% and 97.04%, demonstrating robust cross-dataset generalization and the potential of the proposed framework for reliable real-world crop health monitoring
- Abstract（参考訳）: 植物葉病の分類は、作物の保護と精密農業には不可欠であるが、複雑な背景、照明のバリエーション、厳しい階級不均衡の下では依然として困難である。
さらに、単一アーキテクチャモデルは、ローカルとグローバルの両方の表現を効果的にキャプチャできないことが多い。
これらの課題に対処するために,EfficientNet-B0,DenseNet-121,Swin-Tinyを統合して,補完的なマルチスケール,ローカル,グローバル機能を活用する,クロスアーキテクチャルーティングを備えた適応型ソフト・ミックス・オブ・エクササイズ(MoE)フレームワークを提案する。
ソフトゲーティング機構は入力依存のエキスパートウェイトを動的に割り当てる一方、2段階の洗練訓練戦略は最適化安定性と一般化を改善する。
高度に不均衡なジャガイモ葉病データセットの実験は91.68%のリコールと92.62%のF1スコアを達成した。
ダリアンとゴマの葉病データセットのさらなる評価により、94.03%と97.04%のF1スコアが得られ、堅牢なクロスデータセットの一般化と信頼できる実世界の作物の健康モニタリングのためのフレームワークの可能性を示す。
関連論文リスト
- Attention mechanisms and transfer learning for robust peach leaf damage classification under domain shift [2.820120779484705]
気候変動は、しばしば視覚的に類似した葉の症状を引き起こす害虫や病気を含む、無生物的なストレスと生物的な圧力を増大させる。
モモ葉の損傷検出のための画像に基づく分類手法を提案する。
論文 参考訳（メタデータ） (2026-06-01T10:36:01Z) - 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) - Dynamic Meta-Ensemble Framework for Efficient and Accurate Deep Learning in Plant Leaf Disease Detection on Resource-Constrained Edge Devices [0.0]
資源制約下での高精度植物病診断のための新しい動的メタエンブルフレームワーク(DMEF)を提案する。
DMEFは適応重み付け機構を採用し、3つの軽量畳み込みニューラルネットワークの予測を動的に組み合わせている。
ジャガイモとトウモロコシ病のベンチマークデータセットの実験では、それぞれ99.53%と96.61%の最先端の分類精度が示されている。
論文 参考訳（メタデータ） (2026-01-24T03:57:49Z) - A Domain-Adapted Lightweight Ensemble for Resource-Efficient Few-Shot Plant Disease Classification [0.0]
ドメイン適応型MobileNetV2モデルとMobileNetV3モデルを組み合わせた数ショットの学習手法を提案する。
分類タスクには、注意機構を付加したBi-LSTM分類器を通す。
1発から15発のパフォーマンスを継続的に改善し、15発で98.23+-0.33%に達した。
また、以前のSOTAの精度も96.4%向上し、15ショットの学習で99.72%を記録した。
論文 参考訳（メタデータ） (2025-12-15T15:17:29Z) - TCLeaf-Net: a transformer-convolution framework with global-local attention for robust in-field lesion-level plant leaf disease detection [13.963787476506292]
Daylily-Leafは1,746枚のRGB画像と7,839個の病変からなる2つの病変レベルのデータセットである。
実地利用に最適化された変圧器・畳み込みハイブリッド検出器TCLeaf-Netを提案する。
論文 参考訳（メタデータ） (2025-12-13T15:03:48Z) - CONFIDE: Hallucination Assessment for Reliable Biomolecular Structure Prediction and Design [46.12506067241116]
本稿では,位相的フラストレーションを定量化する自己評価尺度であるCODE(Chain of Diffusion Embeddings)を提案する。
エネルギー的およびトポロジ的視点を組み合わせた統合評価フレームワークであるCONFIDEを提案する。
データ駆動の埋め込みと理論的な洞察を組み合わせることで、CODEとConFIDEは、幅広い生体分子システムで既存の指標より優れています。
論文 参考訳（メタデータ） (2025-11-20T03:38:46Z) - Heterogeneity-Aware Client Sampling: A Unified Solution for Consistent Federated Learning [31.50593149242509]
フェデレートラーニング(FL)は通常、多様なコミュニケーションと計算能力を持つクライアントを伴います。
FLにおける異種通信と計算が不整合を駆動するメカニズムを根本的に明らかにする。
汎用手法としてフェデレーテッド・ヘテロジニティ・アウェア・クライアントサンプリング(FedACS)を提案する。
論文 参考訳（メタデータ） (2025-05-16T14:31:36Z) - Ustnlp16 at SemEval-2025 Task 9: Improving Model Performance through Imbalance Handling and Focal Loss [38.70308073598037]
分類タスクは、しばしば厳しいクラス不均衡、短いテキストと非構造化テキスト、および重なり合うセマンティックカテゴリに悩まされる。
本稿では,SemEval-2025 Task 9: Food Hazard Detectionを提案する。
論文 参考訳（メタデータ） (2025-04-24T16:35:44Z) - Design and Implementation of FourCropNet: A CNN-Based System for Efficient Multi-Crop Disease Detection and Management [3.4161054453684705]
本研究では,複数の作物の病原体を検出するための新しいディープラーニングモデルであるFourCropNetを提案する。
FourCropNetは、Grapeの99.7%、Cornの99.5%、組み合わせたデータセットの95.3%の最高精度を達成した。
論文 参考訳（メタデータ） (2025-03-11T12:00:56Z) - Federated Hybrid Training and Self-Adversarial Distillation: Towards Robust Edge Networks [43.723206630188656]
Federated Learning(FL)は、モバイルエッジネットワークにおけるデータのプライバシを高める分散トレーニング技術である。
We propose Federated hyBrid Adversarial Training and self-adversarial distillation (FedBAT)。
FedBATは、ハイブリッド逆行訓練と自己逆行蒸留を従来のFLフレームワークに統合する。
論文 参考訳（メタデータ） (2024-12-26T21:32:08Z)
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。