論文の概要: Enhancing Shrimp Disease Detection via Deep Learning and Data Refinement for Resilient Aquaculture

• arxiv url: http://arxiv.org/abs/2609.23397v1
• Date: Sun, 20 Sep 2026 06:22:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.811107
• Title: Enhancing Shrimp Disease Detection via Deep Learning and Data Refinement for Resilient Aquaculture
• Title（参考訳）: 弾力性養殖のための深層学習とデータリファインメントによるエビ病検出の強化
• Abstract要約: エビの病気は、水産産業に壊滅的な損失をもたらし続けている。 この研究は、ヴィジュアルトランスフォーマー(ViT)とセルフスーパーバイザードラーニング(SSL)の最初の応用をエビ農業領域に貢献する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Shrimp diseases continue to cause devastating losses in the aquaculture industry, driving a critical need for robust, automated detection. This work contributes the first application of Vision Transformers (ViT) and Self-Supervised Learning (SSL) to the shrimp farming domain, addressing both performance bottlenecks and data labeling challenges. We propose two deep learning pipelines to classify four key diseases: Healthy, Black Gill (BG), White Spot Syndrome Virus (WSSV), and a co-infection of both using a dataset of 4,348 images. First, our supervised transfer-learning approach leverages ImageNet-pretrained ViT-Small/16 and EfficientNet backbones. Second, we introduce a contrastive learning framework (SimCLR) with a ViT-Small encoder to extract robust representations from unlabeled images prior to fine-tuning. Our results establish strong new baselines for sustainable aquaculture monitoring. The supervised approach achieves an outstanding 96% accuracy with fast convergence, outperforming traditional generic models, while the label-efficient SSL approach reaches a highly competitive 85% validation accuracy.
• Abstract（参考訳）: エビの病気は、水産産業に壊滅的な損失をもたらし続けており、堅牢で自動化された検出にとって重要なニーズを導いている。 この研究は、ヴィジュアルトランスフォーマー(ViT)とセルフスーパーバイザードラーニング(SSL)をエビ農業領域に初めて適用し、パフォーマンスボトルネックとデータラベリングの課題に対処する。 そこで我々は,健康,ブラックギル(BG),ホワイトスポット症候群ウイルス(WSSV)の4つの重要な疾患を分類するために,2つのディープラーニングパイプラインを提案する。 まず,ImageNet-pretrained ViT-Small/16とEfficientNetのバックボーンを利用する。 次に、VT-Smallエンコーダを用いたコントラスト学習フレームワーク(SimCLR)を導入し、微調整前にラベルのない画像からロバストな表現を抽出する。 本研究は, 持続可能な養殖モニタリングのための, 強力な新しいベースラインを構築した。 教師付きアプローチは、高速収束による優れた96%の精度を実現し、従来のジェネリックモデルよりも優れ、ラベル効率の高いSSLアプローチは、高い競争力を持つ85%のバリデーション精度に達する。

関連論文リスト

• ShrimpXNet: A Transfer Learning Framework for Shrimp Disease Classification with Augmented Regularization, Adversarial Training, and Explainable AI [0.0]
  エビ農業は多くの地域で重要な収入源となっている。 これらの病気は、持続的なエビ生産にとって大きな課題となる。 本研究は,エビ病の自動分類のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-25T08:30:38Z)
• Uncertainty-Aware Domain Adaptation for Vitiligo Segmentation in Clinical Photographs [4.19421520851419]
  治療反応の経時的モニタリングには, 日常的な臨床写真における精査範囲の正確な定量化が不可欠である。 我々は,ISIC 2019データセット上でのドメイン適応型事前学習とROIに基づく二重タスク損失を組み合わせ,背景雑音を抑制するデータ効率のトレーニング戦略を提案する。 本フレームワークは破滅的障害をゼロに高い信頼性を示し,診断可能なエントロピーマップを提供し,臨床検査のための曖昧な領域を同定する。
  論文  参考訳（メタデータ） (2025-12-12T18:56:21Z)
• Decentralized LoRA Augmented Transformer with Context-aware Multi-scale Feature Learning for Secured Eye Diagnosis [2.1358421658740214]
  本稿では、コンテキスト認識型マルチスケールパッチ埋め込み、ローランド適応(LoRA)、知識蒸留、フェデレーション学習を統合し、これらの課題に統一的に対処する新しいデータ効率画像変換器(DeiT)ベースのフレームワークを提案する。 提案モデルでは,マルチスケールパッチ表現と局所的および大域的注意機構を活用することで,局所的および大域的網膜特徴を効果的に捉えている。
  論文  参考訳（メタデータ） (2025-05-11T13:51:56Z)
• A BERT-Style Self-Supervised Learning CNN for Disease Identification from Retinal Images [5.0086124858415335]
  医用画像研究において、高品質なラベルの取得は高価かつ困難である。 本研究では,BERTスタイルの自己教師型学習手法を実装するために,軽量CNNフレームワークであるnn-MobileNetを用いる。 アルツハイマー病 (AD) , パーキンソン病 (PD) , および各種網膜疾患の鑑別について, 事前訓練を行った。
  論文  参考訳（メタデータ） (2025-04-25T03:38:55Z)
• The Efficacy of Semantics-Preserving Transformations in Self-Supervised Learning for Medical Ultrasound [60.80780313225093]
  本研究は, 肺超音波の自己教師あり学習におけるデータ拡張と前処理方略の影響を系統的に検討した。 画像領域に共通して使用されるベースラインパイプライン、超音波用に設計された新しいセマンティック保存パイプライン、両方のパイプラインから最も効果的な変換の蒸留セットの3つのデータ拡張パイプラインが評価された。
  論文  参考訳（メタデータ） (2025-04-10T16:26:47Z)
• Application for White Spot Syndrome Virus (WSSV) Monitoring using Edge Machine Learning [0.8602553195689513]
  水産産業はエビの輸出に強く依存しており、ホワイトスポット症候群ウイルス(WSSV)のようなウイルス感染による課題に直面している。 そこで本研究では,WSSV認識のための限られたデータに対する課題について検討した。 データ収集とモニタリングに特化したモバイルアプリケーションは、WSSV認識モデルをトレーニングするイメージデータセットの作成を容易にするために開発された。
  論文  参考訳（メタデータ） (2023-08-08T09:32:15Z)
• Performance or Trust? Why Not Both. Deep AUC Maximization with Self-Supervised Learning for COVID-19 Chest X-ray Classifications [72.52228843498193]
  ディープラーニングモデルのトレーニングでは、パフォーマンスと信頼の間に妥協をしなければなりません。 本研究は、新型コロナウイルス患者のコンピュータ支援スクリーニングのための自己教師型学習と新しい代理損失を統合したものである。
  論文  参考訳（メタデータ） (2021-12-14T21:16:52Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)
• Semi-Supervised StyleGAN for Disentanglement Learning [79.01988132442064]
  現在の解離法は、いくつかの固有の制限に直面している。 半教師付き高分解能ディスタングル学習のためのStyleGANに基づく新しいアーキテクチャと損失関数を設計する。
  論文  参考訳（メタデータ） (2020-03-06T22:54:46Z)

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。