論文の概要: A Dataset-Centric Benchmark of Deep Learning Methods for Grape Leaf Disease Classification and Detection
- arxiv url: http://arxiv.org/abs/2608.20608v1
- Date: Thu, 20 Aug 2026 23:17:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.273583
- Title: A Dataset-Centric Benchmark of Deep Learning Methods for Grape Leaf Disease Classification and Detection
- Title（参考訳）: 草葉病の分類と検出のための深層学習手法のデータセット中心ベンチマーク
- Abstract要約: 本稿では,ブドウ葉病の分類と検出のための深層学習手法のデータセット中心ベンチマークを提案する。
我々は,疾患分類,アノテーションタイプ,取得条件,画像特性,クラス分布,証明性,タスク適合性の観点から,公開データセットの分析を行った。
その結果、制御されたデータセットやデリバティブデータセットのほぼ飽和な分類性能、異種データセットの難易度、アノテーション設定による検出性能の大幅な変化が示された。
- 参考スコア（独自算出の注目度）: 0.815557531820863
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Grape leaf disease recognition is important for precision agriculture, enabling early diagnosis, timely intervention, and improved vineyard management. Although deep learning has achieved strong results, many studies rely on few datasets, often acquired under controlled conditions, and may not reflect real vineyard challenges such as complex backgrounds, variable illumination, occlusion, leaf pose, disease severity, and device differences. This paper presents a dataset-centric benchmark of deep learning methods for grape leaf disease classification and detection. We analyze publicly available datasets in terms of disease categories, annotation types, acquisition conditions, image characteristics, class distributions, provenance, and task suitability. Representative models are evaluated in three settings: image-level classification, region-level classification, and object detection. Classification is assessed using accuracy, while detection is evaluated using mAP@50 and mAP@50:95. Cross-dataset experiments further examine transfer between datasets with compatible disease categories but different visual and annotation characteristics. Results show near-saturated classification performance on several controlled or derivative datasets, greater difficulty on heterogeneous datasets, and substantial variation in detection performance across annotation settings. Cross-dataset performance drops sharply, especially for object detection, indicating that shared disease labels do not necessarily define equivalent recognition tasks. The benchmark emphasizes dataset provenance, realistic field evaluation, annotation compatibility, and external validation for reliable vineyard disease recognition.
- Abstract（参考訳）: ブドウ葉病の認識は、精密農業において重要であり、早期診断、タイムリーな介入、ブドウ園の管理の改善を可能にしている。
ディープラーニングは強力な成果を上げてきたが、多くの研究は、制御された条件下で取得される少数のデータセットに依存しており、複雑な背景、可変照明、オクルージョン、葉のポーズ、病気の重症度、デバイスの違いといった実際のブドウ園の課題を反映していない可能性がある。
本稿では,ブドウ葉病の分類と検出のための深層学習手法のデータセット中心ベンチマークを提案する。
我々は,疾患分類,アノテーションタイプ,取得条件,画像特性,クラス分布,証明性,タスク適合性の観点から,公開データセットの分析を行った。
代表的なモデルは、画像レベルの分類、領域レベルの分類、オブジェクト検出の3つの設定で評価される。
分類は精度で評価され、検出はmAP@50とmAP@50:95を用いて評価される。
クロスデータセット実験は、互換性のある疾患カテゴリを持つデータセット間の転送をさらに検討するが、視覚的特徴とアノテーションの特性は異なる。
その結果、制御されたデータセットやデリバティブデータセットのほぼ飽和な分類性能、異種データセットの難易度、アノテーション設定による検出性能の大幅な変化が示された。
クロスデータセットのパフォーマンスは、特にオブジェクト検出において急激に低下し、共有疾患ラベルが必ずしも同等の認識タスクを定義していないことを示す。
このベンチマークでは、データセットの証明、現実的なフィールド評価、アノテーションの互換性、信頼性の高いブドウ園病認識のための外部バリデーションが強調されている。
関連論文リスト
- DDD: Discriminative Difficulty Distance for plant disease diagnosis [2.7992435001846827]
植物病の診断は難しい分類課題である。
差別的困難距離(DDD)は、トレーニングとテストデータセットの間のドメインギャップを定量化するために設計された、新しいメトリクスである。
論文 参考訳（メタデータ） (2025-01-01T05:34:59Z) - Data Augmentation through Background Removal for Apple Leaf Disease Classification Using the MobileNetV2 Model [0.0]
本研究の目的は,実環境下での撮影画像におけるリンゴ葉病の分類性能に対するデータ拡張手法の効果を評価することである。
提案手法は植物病理データベース上で98.71%の分類精度を達成し, 約3%の改善, 最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2024-11-29T16:06:34Z) - Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。
混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。
UE識別のための反復フィルタリング手法を提案する。
論文 参考訳（メタデータ） (2024-08-15T13:26:13Z) - 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) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。
本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。
提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
論文 参考訳（メタデータ） (2021-05-01T13:19:02Z) - Leaf Image-based Plant Disease Identification using Color and Texture
Features [0.1657441317977376]
自己収集されたデータセットの精度は、病気の識別に82.47%、健康と疾患の分類に91.40%である。
このプロトタイプシステムは、より多くの病種を追加したり、特定の作物や病種をターゲットにすることで拡張することができる。
論文 参考訳（メタデータ） (2021-02-08T20:32:56Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。
本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。
我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文 参考訳（メタデータ） (2020-06-06T06:48:40Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z) - An Extensive Study on Cross-Dataset Bias and Evaluation Metrics
Interpretation for Machine Learning applied to Gastrointestinal Tract
Abnormality Classification [2.985964157078619]
GI領域における疾患の自動解析は、コンピュータ科学や医学関連雑誌でホットな話題となっている。
クロスデータセットによる評価指標と機械学習モデルの明確な理解は、この分野の研究を新たな品質レベルに導くために不可欠である。
16種類のGIトラクタ条件を分類できる5つの異なる機械学習モデルの包括的評価を行う。
論文 参考訳（メタデータ） (2020-05-08T08:59:31Z)
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。