論文の概要: Pixel-Precise Explainable Stress Indexing: A Semantic Segmentation Framework for Disease Severity Quantification in Field Crops

• arxiv url: http://arxiv.org/abs/2607.06585v1
• Date: Sun, 05 Jul 2026 06:04:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.141263
• Title: Pixel-Precise Explainable Stress Indexing: A Semantic Segmentation Framework for Disease Severity Quantification in Field Crops
• Title（参考訳）: Pixel-Precise Explainable Stress Indexing:フィールドクロップにおける病重症度定量のためのセマンティックセグメンテーションフレームワーク
• Abstract要約: 植物病は、生物的ストレスと無生物的ストレスの両方から発生し、毎年世界の農業生産量が20-40%減少する。 本稿では,セマンティックセグメンテーション,回帰に基づく重症度推定,疾患分類を統合した統合型ディープラーニングパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 3.466303200807006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Plant diseases, resulting from both biotic and abiotic stresses, cause an estimated 20-40% loss in global agricultural yield annually, resulting in economic damages exceeding USD 220 billion. Accurate and scalable stress quantification is essential for precision agriculture, yet traditional manual assessments are labour-intensive and subjective. This paper proposes a unified deep learning pipeline integrating semantic segmentation, regression-based severity estimation, and disease classification. Stress severity is categorised into four levels (Low to Very High) based on the proportion of infected leaf area. Experiments on the Apple Tree Leaf Disease Segmentation dataset (1,641 samples, six classes) evaluate four models: U-Net (MobileNetV2), SegFormer, FCN, and PSPNet. U-Net with MobileNetV2 achieves the best performance with 98.20% pixel accuracy, 0.70 mIoU, and 99.41% detection accuracy at 14.7 ms per image, making it suitable for real-time use. SegFormer performs competitively (mIoU 0.66), while FCN and PSPNet show lower spatial accuracy (approximately 0.49 mIoU). The computed severity index strongly correlates with expert annotations (r = 0.968, R^2 = 0.937), demonstrating the system's reliability for automated crop monitoring and decision support.
• Abstract（参考訳）: 生物的ストレスと無生物的ストレスの両方によって引き起こされる植物病は、毎年20-40%の世界の農業生産が減少し、2200億米ドルを超える経済被害をもたらすと推定されている。 精密でスケーラブルなストレス定量化は精密農業には不可欠であるが、伝統的な手作業による評価は労働集約的で主観的である。 本稿では,セマンティックセグメンテーション,回帰に基づく重症度推定,疾患分類を統合した統合型ディープラーニングパイプラインを提案する。 ストレスの重症度は感染した葉面積の比率に基づいて4つのレベルに分類される。 Apple Tree Leaf Disease Segmentationデータセット(1,641サンプル、6クラス)の実験では、U-Net(MobileNetV2)、SegFormer、FCN、PSPNetの4つのモデルが評価されている。 MobileNetV2を使用したU-Netは、98.20%の精度、0.70 mIoU、99.41%の検出精度で、画像あたり14.7 msで最高の性能を達成し、リアルタイム使用に適している。 SegFormerは競争力があり(mIoU 0.66)、FCNとPSPNetは空間精度が低い(約0.49 mIoU)。 計算された重大度指数はエキスパートアノテーション(r = 0.968, R^2 = 0.937)と強く相関し、自動作物モニタリングと意思決定支援のためのシステムの信頼性を示す。

関連論文リスト

• Domain-Specific Hallucination Detection in Large Language Models [0.0]
  大規模言語モデルは、不誠実なクレームを含むことができる流動的なテキストを生成する。 微調整されたDeBERTa-v3分類, Monte Carlo (MC) Dropoutの不確実性定量化を組み合わせた多信号検出パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-09-10T17:45:36Z)
• AgroVisNet: A lightweight Convolutional Network and the BD-PlantDX Expert-Validated Benchmark for Radish, Potato and Pointed Gourd Disease Classification [0.3686530147760243]
  我々は,BD-PlantDXとともに,スクラッチから学習したコンパクトな畳み込みネットワークであるAgroVisNetを提案する。 BD-PlantDXでは、テスト精度は99.52%、重み付きF1は99.52%に達し、6つのImageNet推奨の軽量バックボーンを超える。 デプロイ用にエクスポートされたこのモデルは、0.46MBのフル整数ネットワークに0.22ポイントの精度で量子化し、1CPUで8.40msの画像を分類する。
  論文  参考訳（メタデータ） (2026-09-09T17:12:17Z)
• RobustDefect-LLM: Explainable and Robustness-Aware Industrial Surface Defect Classification with Decision Support and AI-Assisted Reporting [0.0]
  RobustDefect-LLMフレームワークは、ディープラーニングの分類、オペレーターによる視覚的エビデンス、信頼を意識した意思決定サポート、AI支援レポートのコントロールを統合している。 MobileNetV3-Large は最高数値テスト精度 (99.26%) とマクロF1スコア (0.9926) を達成し、95%精度は 0.9815-1.0000 である。
  論文  参考訳（メタデータ） (2026-08-09T09:08:13Z)
• Cross-Architectural Mixture-of-Experts with Adaptive Soft Routing for Plant Leaf Disease Classification [0.06875312133832077]
  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。
  論文  参考訳（メタデータ） (2026-06-22T14:58:42Z)
• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• KAYRA: A Microservice Architecture for AI-Assisted Karyotyping with Cloud and On-Premise Deployment [0.0]
  KAYRAは、臨床細胞遺伝学研究室の運用上の制約の中で機能するエンドツーエンドの核タイピングシステムである。 KAYRAはコンテナ化されたマイクロサービスパイプラインとして設計されており、MLスタックにはEfficientNet-B5 + U-Netセマンティックセグメント、Mask R-CNN(ResNet-50 + FPN)インスタンス、ResNet-18インスタンスが組み込まれている。 459染色体上の2つの商用基準核型分類システムに対する試験的臨床評価は、強い経験的性能を示す。
  論文  参考訳（メタデータ） (2026-04-29T16:35:31Z)
• 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)
• Margin-Consistent Deep Subtyping of Invasive Lung Adenocarcinoma via Perturbation Fidelity in Whole-Slide Image Analysis [15.00702842825464]
  浸潤性肺腺癌亜型に対する全スライディング画像分類は, 実際の画像摂動に対して脆弱である。 本研究では,143枚の全スライディング画像から203,226枚のパッチに対して評価したマージン整合性フレームワークを提案する。 提案手法は,Kendall相関によるトレーニング中の0.88,バリデーション時の0.64の頑健な特徴-論理空間アライメントを実現する。
  論文  参考訳（メタデータ） (2026-02-27T20:47:15Z)
• Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
  実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。 5つの公開異常データセット上で14の代表的なモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-17T09:45:44Z)
• iSight: Towards expert-AI co-assessment for improved immunohistochemistry staining interpretation [31.55467851797712]
  HPA10MはHuman Protein Atlasの10,495,672 IHC画像を含むデータセットである。 HPA10Mに基づいて、自動IHC染色評価のためのマルチタスク学習フレームワークiSightを訓練した。 iSightは位置の精度85.5%、強度76.6%、量75.7%を達成し、微調整された基礎モデルを上回った。
  論文  参考訳（メタデータ） (2026-02-03T22:49:08Z)
• 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)
• 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)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows from UAV Imagery [56.10033255997329]
  畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。 高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。 提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
  論文  参考訳（メタデータ） (2020-12-31T18:51:17Z)

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。