論文の概要: CoAtNet-DeepMoE: A Convolution-Attention Hybrid with DeepSeek Mixture-of-Experts for Parameter-Efficient Tomato Disease Classification
- arxiv url: http://arxiv.org/abs/2609.18038v1
- Date: Wed, 16 Sep 2026 02:39:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.61402
- Title: CoAtNet-DeepMoE: A Convolution-Attention Hybrid with DeepSeek Mixture-of-Experts for Parameter-Efficient Tomato Disease Classification
- Title（参考訳）: CoAtNet-DeepMoE:パラメータ効率のよいトマト病分類のためのDeepSeek Mixture-of-Expertを用いたコンボリューション・アテンションハイブリッド
- Abstract要約: トマトは世界有数の食品生産作物の1つである。
病気による作物の損失は、国の食糧供給と財政的・経済的安定の両方に影響を及ぼす。
ディープラーニングベースのモデルは、病気の認識に広く利用されている。
- 参考スコア（独自算出の注目度）: 1.2170382641961648
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The world population is growing rapidly, and technology is improving in parallel. Meeting the huge demand for food for these 7 billion people not only depends on increasing food production but also on reducing food loss. Crop losses due to disease affect both the food supply and the financial and economic stability of a country. Tomatoes are among the top food-producing crops globally, and a significant portion of this production is lost due to disease. People have used Machine Learning techniques for feature extraction and early diagnosis of tomato diseases, and nowadays, Deep Learning-based models are widely used for disease recognition. However, most existing models are highly parameter-intensive, which increases the time required for training and inference. As a result, while lightweight models are more suitable for user-friendly applications, they often show a reduction in performance. To balance performance and model size, we propose CoAtNet-DeepMoE, a Convolution-Attention hybrid architecture for rich feature extraction, further enhanced with a DeepSeek Mixture of Experts to substantially reduce the number of parameters without sacrificing accuracy. We evaluate our model on both balanced and imbalanced datasets from Kaggle and PlantVillage, demonstrating robustness and achieving 99.80% accuracy, 99.80% precision, 99.80% recall, and 99.80% F1-score on Kaggle, and 99.83% accuracy, 99.85% precision, 99.76% recall, and 99.80% F1-score on PlantVillage, representing state-of-the-art performance with only 2.47M parameters. The source code will be available at https://github.com/nadimbrur/CoAt-MoE.
- Abstract（参考訳）: 世界人口は急速に増加しており、技術は並行して進歩している。
この70億人の人々の食料需要は、食糧生産の増加だけでなく、食糧損失の削減にも依存している。
病気による作物の損失は、国の食糧供給と財政的・経済的安定の両方に影響を及ぼす。
トマトは世界有数の食品生産作物であり、この生産の大部分は病気によって失われている。
トマト病の特徴抽出や早期診断には機械学習技術が用いられており、近年ではディープラーニングベースのモデルが病気の認識に広く利用されている。
しかし、既存のモデルの多くは非常にパラメータ集約的であり、トレーニングや推論に要する時間を増加させる。
結果として、軽量モデルはユーザフレンドリーなアプリケーションに適しているが、パフォーマンスの低下を示すことが多い。
提案するCoAtNet-DeepMoEは,よりリッチな特徴抽出のためのハイブリッドアーキテクチャであり,さらにDeepSeek Mixture of Expertsにより拡張され,精度を犠牲にすることなくパラメータ数を大幅に削減できる。
我々は、KaggleとPlantVillageのバランスの取れたデータセットと不均衡なデータセットの両方で、ロバスト性を実証し、99.80%の精度、99.80%の精度、99.80%のリコール、99.83%の精度、99.85%の精度、99.85%のリコール、99.76%のリコール、99.80%のF1スコアをPlantVillageで評価した。
ソースコードはhttps://github.com/nadimbrur/CoAt-MoE.comで入手できる。
関連論文リスト
- Mam-App: A Novel Parameter-Efficient Mamba Model for Apple Leaf Disease Classification [0.8653321928148544]
Mam-Appは特徴抽出と葉病分類のためのパラメータ効率のよいMambaベースのモデルである。
精度は99.58%、精度は99.30%、リコールは99.14%、F1スコアは99.22%、パラメータは0.051Mである。
論文 参考訳（メタデータ） (2026-01-29T05:59:53Z) - Validating Vision Transformers for Otoscopy: Performance and Data-Leakage Effects [42.465094107111646]
本研究では、耳疾患の診断精度を高めるために、視覚トランスモデル、特にスウィントランスモデルの有効性を評価する。
この研究はチリ大学臨床病院の耳鼻咽喉科の実際のデータセットを利用した。
論文 参考訳（メタデータ） (2025-11-06T23:20:37Z) - Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。
動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。
これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
論文 参考訳（メタデータ） (2025-07-14T16:19:00Z) - Involution-Infused DenseNet with Two-Step Compression for Resource-Efficient Plant Disease Classification [0.0]
本研究では,重み付けと知識蒸留を統合した2段階モデル圧縮手法を提案する。
その結果、ResNet50sは、PandVillageとPaddyLeafのデータセットで99.55%と98.99%の精度を達成した。
論文 参考訳（メタデータ） (2025-05-31T22:43:23Z) - DeepSeqCoco: A Robust Mobile Friendly Deep Learning Model for Detection of Diseases in Cocos nucifera [0.0]
ココナッツの木病は、特に発展途上国において、農業生産にとって深刻なリスクである。
DeepSeqCocoは、ココナッツツリーイメージからの正確かつ自動的な疾患識別のためのディープラーニングベースのモデルである。
論文 参考訳（メタデータ） (2025-05-15T07:25:43Z) - 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) - Optimized Custom CNN for Real-Time Tomato Leaf Disease Detection [0.0]
バングラデシュではトマトは主要な野菜であり、様々な料理の用途でその汎用性に評価される。
病気の早期発見は、タイムリーな介入を実行し、トマト生産の持続可能性を確保するために重要である。
従来の手動検査法は効果があるが、労働集約的であり、人的ミスを起こしやすい。
本研究では,畳み込みニューラルネットワーク(CNN)を用いた疾患自動検出システムの開発を試みた。
論文 参考訳（メタデータ） (2025-02-23T18:27:08Z) - Advancing Green AI: Efficient and Accurate Lightweight CNNs for Rice Leaf Disease Identification [0.0]
米は世界の人口の半数以上にとって主要な食料源として重要な役割を担っている。
本研究では,イネ葉病分類のための3つの移動型CNNアーキテクチャについて検討した。
最高のパフォーマンスは、99.8%の精度でEfficientNet-B0モデルによって達成された。
論文 参考訳（メタデータ） (2024-08-03T11:16:00Z) - PUMA: margin-based data pruning [51.12154122266251]
モデル分類境界からの距離(すなわちマージン)に基づいて、いくつかのトレーニングサンプルを除去するデータプルーニングに焦点を当てる。
我々は,DeepFoolを用いてマージンを算出する新しいデータプルーニング戦略PUMAを提案する。
PUMAは,現状の最先端手法であるロバスト性の上に利用でき,既存のデータプルーニング戦略と異なり,モデル性能を著しく向上させることができることを示す。
論文 参考訳（メタデータ） (2024-05-10T08:02:20Z) - Multimodal Inductive Transfer Learning for Detection of Alzheimer's
Dementia and its Severity [39.57255380551913]
本稿では,音響的,認知的,言語的特徴を活用してマルチモーダルアンサンブルシステムを構築する新しいアーキテクチャを提案する。
時相特性を持つ特殊な人工ニューラルネットワークを使用して、アルツハイマー認知症(AD)とその重症度を検出する。
本システムでは,AD分類では最先端試験精度,精度,リコール,F1スコアが83.3%,MMSEスコア評価では4.60の最先端試験根平均二乗誤差(RMSE)が得られた。
論文 参考訳（メタデータ） (2020-08-30T21:47:26Z)
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。