論文の概要: Infectious Bovine Pinkeye Detection Using Computer Vision and Imbalance-Aware Learning

• arxiv url: http://arxiv.org/abs/2609.23714v1
• Date: Sun, 20 Sep 2026 15:45:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.9446
• Title: Infectious Bovine Pinkeye Detection Using Computer Vision and Imbalance-Aware Learning
• Title（参考訳）: コンピュータビジョンと不均衡学習を用いた牛の感染性ピンキー検出
• Abstract要約: ウシのピンクアイ(英: bovine pinkeye)は、牛の健康、福祉、農業生産性に影響を与える伝染性眼疾患である。 本研究はウシピンクアイ自動分類におけるYOLO(You Only Look Once)v11とYOLOv26の評価と比較を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Infectious bovine pinkeye is a contagious ocular disease that adversely affects cattle health, welfare, and agricultural productivity. Conventional diagnosis relies primarily on clinical observation, which can be subjective, time-consuming, and difficult to implement efficiently in large herds or remote settings. This study evaluated and compared You Only Look Once (YOLO) v11 and YOLOv26 for automated bovine pinkeye classification and investigated the effects of class-balancing strategies on model performance. Five variants (n, s, m, l, and x) of each architecture were trained and evaluated using the original imbalanced dataset, Random Minority Oversampling (RMO), and an adapted Synthetic Minority Oversampling Technique (SMOTE). Both YOLOv11 and YOLOv26 demonstrated strong classification performance, although the effects of class balancing varied across model variants. For YOLOv11, RMO-s achieved an accuracy of 0.99, a macro F1-score of 0.98, and a true positive rate (TPR) of 1.00, with no false-negative classifications. RMO-m also achieved a TPR of 1.00 with no false negatives. For YOLOv26, the original l, RMO-m, and RMO-l variants each achieved an accuracy of 0.99 and a macro F1-score of 0.98, with RMO-l attaining a TPR of 1.00 and no false negatives. Overall, RMO generally provided greater improvements in minority-class detection than adapted SMOTE, whereas the strong performance of the original YOLOv26-l demonstrates that oversampling was not necessary for all model variants. These findings demonstrate the potential of YOLOv11 and YOLOv26 for automated detection of bovine pinkeye and support further evaluation for livestock health monitoring.
• Abstract（参考訳）: 牛の感染性ピンクアイは、牛の健康、福祉、農業生産性に悪影響を及ぼす伝染性眼病である。 従来の診断は主に、主観的、時間がかかり、大きな牧草地や遠隔地で効率的に実施することが困難である臨床観察に依存している。 本研究は,ウシピンクアイ自動分類におけるYou Only Look Once (YOLO) v11とYOLOv26を比較し,クラスバランス戦略がモデル性能に及ぼす影響について検討した。 各アーキテクチャの5つの変種(n, s, m, l, x)をトレーニングし、元の不均衡データセット、ランダムマイノリティオーバーサンプリング(RMO)、適応型シンセティックマイノリティオーバーサンプリング(SMOTE)を用いて評価した。 YOLOv11とYOLOv26はいずれも強力な分類性能を示したが、クラスバランスの効果はモデルによって異なる。 YOLOv11では、RMO-sは精度0.99、マクロF1スコア0.98、真正率は1.00、偽陰性分類はない。 RMO-mは、偽陰性のない1.00のTPRも達成した。 YOLOv26では、元のl、RMO-m、RMO-lがそれぞれ精度0.99、マクロF1スコア0.98、RMO-lが1.00、偽陰性となる。 全体として、RMOは適応されたSMOTEよりもマイノリティクラスの検出が向上したのに対し、オリジナルのYOLOv26-lの強い性能は、オーバーサンプリングがすべてのモデル変種に必要ないことを示している。 以上の結果から,ウシピンクアイの自動検出および家畜の健康モニタリングにおけるYOLOv11およびYOLOv26の有用性が示唆された。

関連論文リスト

• Screening of Biosecurity Features in Metagenomic Data with Evo 2 Probes [35.18016233072556]
  Evo 2のようなゲノム基盤モデルは、リッチなシーケンス表現を学習するが、バイオセキュリティスクリーニングの価値はほとんど探索されていない。 凍結したEvo2層26の活性化に対して、最小限の線形および注意プローブを訓練することにより、これらの表現の中でどの程度のバイオセキュリティ関連信号が線形にアクセスできるかを問う。 保持されたメダゲノミクステストセット全体で、プローブは強い差別で抗菌抵抗を検出する。
  論文  参考訳（メタデータ） (2026-07-15T17:38:02Z)
• Improving Automated Wound Assessment Using Joint Boundary Segmentation and Multi-Class Classification Models [1.1432909951914676]
  本研究は, 創境界セグメンテーション (WBS) と創分類 (WC) を同時に行う YOLOv11 に基づく深層学習モデルを提案する。 その結果、複雑な背景に対するモデルの堅牢性とクラス内変動性が高いことが確認できた。
  論文  参考訳（メタデータ） (2026-03-28T16:11:31Z)
• Rethinking the Efficiency and Effectiveness of Reinforcement Learning for Radiology Report Generation [43.67582796047454]
  本稿では,データ量と品質が医学的文脈における強化学習(RL)のパフォーマンスに与える影響について論じる。 そこで本研究では,より少ないサンプルで同等の性能を実現する診断的多様性に基づくデータサンプリング戦略を提案する。 本稿では,診断のためのF1スコアを報奨信号として利用することにより,臨床の精度を直接最適化する診断トークン重み付けポリシー最適化(DiTPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-04T12:57:05Z)
• 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)
• Comprehensive Benchmarking of YOLOv11 Architectures for Scalable and Granular Peripheral Blood Cell Detection [7.1318006858231975]
  手動末梢血スミア(PBS)分析は、労働集約的で主観的である。 ディープラーニングは有望な代替手段を提供するが、細粒度PBS検出のためのYOLOv11のような技術モデルの体系的な評価はいまだに不足している。 12種類の末梢血細胞クラスに16,891枚の画像とレッド血細胞クラスを含む大規模なアノテートされた血液細胞検出分類データセットを収集し,対象検出タスクに慎重にアノテートした。 このデータセットには合計で298,850個の注釈付き細胞が含まれている。
  論文  参考訳（メタデータ） (2025-09-29T11:00:19Z)
• Vision-Based Driver Drowsiness Monitoring: Comparative Analysis of YOLOv5-v11 Models [0.0]
  ドライバーの眠気は道路事故の重要な要因であり、毎年数千人の死者と負傷の原因となっている。 本稿では,コンピュータビジョンに基づくYOLOアルゴリズムに着目し,リアルタイムで非侵襲的な眠気検出手法の総合評価を行う。
  論文  参考訳（メタデータ） (2025-09-22T08:30:02Z)
• A Single Detect Focused YOLO Framework for Robust Mitotic Figure Detection [0.0]
  SDF-YOLO(SDF-YOLO)は、ミトティックフィギュアのような小さな、希少なターゲットに対する軽量かつドメインロバストな検出フレームワークである。 モデルはYOLOv11上に構築されており、タスク固有の変更が加えられている。 平均精度は0.799、精度は0.758、リコールは0.775、F1スコアは0.766、FROC-AUCは5.793である。
  論文  参考訳（メタデータ） (2025-09-01T20:41:48Z)
• Research on Improving the High Precision and Lightweight Diabetic Retinopathy Detection of YOLOv8n [0.0]
  糖尿病網膜症の早期発見と診断は、現在眼科に焦点を絞っている研究の1つである。 これらの課題に対処するため,YOLO-KFGと呼ばれる改良型YOLOv8nに基づく軽量かつ高精度な検出モデルを提案する。 YOLOv5nやYOLOv10nのような単一ステージの主流アルゴリズムと比較して、YOLO-KFGは検出精度と効率の両方において大きな利点を示す。
  論文  参考訳（メタデータ） (2025-07-01T14:19:08Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。