論文の概要: AgroVisNet: A lightweight Convolutional Network and the BD-PlantDX Expert-Validated Benchmark for Radish, Potato and Pointed Gourd Disease Classification
- arxiv url: http://arxiv.org/abs/2609.10469v1
- Date: Wed, 09 Sep 2026 17:12:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.120115
- Title: AgroVisNet: A lightweight Convolutional Network and the BD-PlantDX Expert-Validated Benchmark for Radish, Potato and Pointed Gourd Disease Classification
- Title（参考訳）: AgroVisNet: 軽量畳み込みネットワークとBD-PlantDX Expert-Validated Benchmark for Radish, Potato and Pointed Gourd Disease Classification
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.3686530147760243
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated plant disease diagnosis is increasingly deployed on farmer-held devices in regions where agronomic expertise is scarce and network connectivity is unreliable. Three obstacles limit its practical value: public benchmarks are dominated by a small set of non-native crops, region-specific datasets are rarely validated by domain experts, and the architectures that reach competitive accuracy carry parameter budgets that are unsuited to low-cost hardware. We propose AgroVisNet, a compact convolutional network trained from scratch, together with BD-PlantDX, an expert-validated benchmark of 12,432 field images spanning 12 classes of radish, potato and pointed gourd in healthy and diseased states, collected across the Bogura and Nilphamari districts of Bangladesh. AgroVisNet couples grouped bottleneck residual blocks carrying sequential channel and spatial attention with multi-scale depthwise blocks and a dual-pooling classification head, reaching 290,572 trainable parameters. On BD-PlantDX the model attains 99.52% test accuracy and 99.52% weighted F1, exceeding all six ImageNet-pretrained lightweight backbones evaluated under an identical protocol while using 8.7 to 16.8 times fewer parameters and 1.3 to 8.5 times fewer multiply-accumulate operations. Exported for deployment, the model quantises to a 0.46 MB full-integer network at a 0.22 percentage-point accuracy cost and classifies an image in 8.40 ms on a single CPU. Across five random seeds accuracy remains at 99.57 +- 0.10%, a ten-variant ablation isolates the contribution of each component, and the same architecture transfers without redesign to two independently collected datasets at 98.71% and 99.05% accuracy. Grad-CAM evidence indicates that predictions rest on lesion-bearing leaf regions rather than on background cues.
- Abstract（参考訳）: 植物病の自動診断は、農業の専門知識が乏しく、ネットワーク接続が信頼できない地域で、農家が所有するデバイスにますます展開されている。
パブリックベンチマークは、少数の非ネイティブな作物に支配され、リージョン固有のデータセットは、ドメインの専門家によって検証されることはめったになく、競争精度に達するアーキテクチャは、低コストのハードウェアに不適なパラメータ予算を担っている。
バングラデシュのボグラ州とニルファマリ州で収集された12クラス12,432のラディッシュ,ジャガイモ,ポイントグルドを対象とするフィールド画像のエキスパート検証ベンチマークであるBD-PlantDXとともに,スクラッチからトレーニング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。
AgroVisNetのカップルは、シーケンシャルチャネルと空間的注意を持つボトルネック残差ブロックを、マルチスケールの深度ブロックとデュアルプール分類ヘッドでグループ化し、290,572のトレーニング可能なパラメータに到達した。
BD-PlantDXでは、テスト精度99.52%、重み99.52%に達し、8.7から16.8倍のパラメータと1.3から8.5倍の乗算累積演算を使用しながら、同じプロトコルで評価された6つのImageNet事前トレーニングされた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。
5つのランダムな種子の精度は99.57 +- 0.10%であり、10種類のアブレーションは各成分の寄与を分離し、同じアーキテクチャは再設計せずに98.71%と99.05%の精度で2つの独立したデータセットに転送される。
Grad-CAMの証拠は、背景の手がかりではなく、病変のある葉の領域で予測されることを示している。
関連論文リスト
- Lightweight Vision Transformer Compression for On-Device Plant Disease Detection in Resource-Constrained Agricultural Field Conditions [1.5530227558314913]
ビジョントランスフォーマー(ViT)は高い分類精度を達成したが、その大きな計算フットプリントはリソース制約されたデバイスへの展開を困難にしている。
本稿では,2次感度推定によって導かれるH-BACと,量子化と注意に基づく知識蒸留を組み合わせた統合されたビジョントランスフォーマー圧縮フレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-04T16:40:06Z) - Automated binary classification of hazelnut X-ray images: A deep-learning benchmark for quality assessment [33.72751145910978]
非破壊的なX線撮影では、外部検査だけでは検出が難しい内部のハゼルナッツの欠陥が明らかになる。
799セグメントのシングルカーネルX線画像に基づくバイナリ・ヘーゼルナットの品質分類のベンチマークを提案する。
論文 参考訳（メタデータ） (2026-08-12T07:55:22Z) - LoRetta: A Foundation Model and Extensive Dataset for Global-Scale Remote Sensing Dense Image Matching [39.25581475845445]
一致可能性を考慮したアフィンの局所化と高密度登録を導出する基礎モデルであるLoRettaを提案する。
また、LEVIR-GMは、データセット固有のマッチング性ラベルを持つグローバルスケールの多時間光マッチングベンチマークである。
LEVIR-GMでは、ローレッタは曲線(AUC)の83.3%の領域を達成し、最強のベースラインであるRoMa v2を1.6ポイント上回っている。
論文 参考訳（メタデータ） (2026-08-04T18:02:19Z) - Pixel-Precise Explainable Stress Indexing: A Semantic Segmentation Framework for Disease Severity Quantification in Field Crops [3.466303200807006]
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。
論文 参考訳（メタデータ） (2026-07-05T06:04:20Z) - A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation [78.66324246922831]
本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。
このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。
The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
論文 参考訳（メタデータ） (2026-05-30T11:20:29Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement [46.13526676100776]
Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。
このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。
本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
論文 参考訳（メタデータ） (2026-05-01T13:14:20Z) - Medical thinking with multiple images [44.04557445622649]
我々はMedThinkVQAを紹介した。MedThinkVQAは、複数の画像で考えるためのエキスパートアノテーション付きベンチマークである。
データセットは720のテストケースを含む8,067ケースを含み、1ケースあたり平均6.62イメージである。
テストセットでは、最高のクローズドソースモデルであるClaude-4.6-Opus、Gemini-3-Pro、GPT-5.2-xhighは57.2%、55.3%、54.9%の精度しか達成できなかった。
論文 参考訳（メタデータ） (2026-04-14T18:51:07Z) - 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) - Automated Plant Disease and Pest Detection System Using Hybrid Lightweight CNN-MobileViT Models for Diagnosis of Indigenous Crops [0.0]
農業はエチオピアのティグレイ地域の人口の80%以上を支えている。
インフラ破壊は 専門の作物病診断へのアクセスを制限する
本稿では,新たにキュレートされたサボテンフィグデータセットを中心に,オフラインファースト検出システムを提案する。
論文 参考訳（メタデータ） (2025-12-06T06:24:46Z) - Uncertainty Makes It Stable: Curiosity-Driven Quantized Mixture-of-Experts [6.221156050218661]
本稿では、資源制約のあるデバイス上でのディープニューラルネットワークのための好奇心駆動型量子化混合処理フレームワークを提案する。
われわれの4ビット量子化は、16ビットの精度(0.858対0.859 F1)の99.9%を維持し、4倍の圧縮と41%の省エネを実現している。
我々の情報理論的ルーティングは、適応量子化が精度(0.858 F1, 1.2M params)、エネルギー効率(3.87 F1/mJ)、予測可能なエッジモデルをもたらすことを示す。
論文 参考訳（メタデータ） (2025-11-13T15:32:41Z) - 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。