論文の概要: Cross-Dataset Generalization of Bangladeshi Rice Leaf Disease Classifiers: Benchmark, Diagnosis, and Mitigation

• arxiv url: http://arxiv.org/abs/2609.31709v1
• Date: Sun, 20 Sep 2026 16:56:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 13:35:45.591908
• Title: Cross-Dataset Generalization of Bangladeshi Rice Leaf Disease Classifiers: Benchmark, Diagnosis, and Mitigation
• Title（参考訳）: バングラデシュイネ葉病分類群のクロスデータセット一般化:ベンチマーク,診断,緩和
• Abstract要約: イネ葉病分類におけるデータセット間移動は依然として重要な課題である。 バングラデシュの3つのイネ病データセットに対して,系統的なベンチマークを行った。 強い拡張は、平均的なデータセットのマクロF1の改善+0.070を回復する。 自己教師型 ViT コントロールは、CNN に等価なデータセットの崩壊を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-dataset transfer in rice leaf disease classification remains a significant challenge, with models trained on one image collection performing substantially worse when deployed on another. We conduct a systematic benchmark across three Bangladeshi rice leaf disease datasets (5,419 images, 6 transfer pairs, 3 CNN backbones, 3 random seeds) to characterize and diagnose this failure. Strong augmentation recovers a mean cross-dataset macro-F1 improvement of +0.070 (Wilcoxon p < 0.001, 15 of 18 transfer pairs positive). Removing non-leaf image content via segmentation shows directional benefit (mean +0.066, p = 0.062, n = 36 paired observations) that is consistent across two independent segmentation methods but does not reach conventional significance. A self-supervised ViT control (DINOv2 linear probe) exhibits equivalent cross-dataset collapse to CNNs, ruling out architecture inductive bias as the primary driver and pointing to acquisition-condition shift. Adaptive batch normalization uniformly harms transfer performance, with harm magnitude correlating with source-target label-prior divergence and model depth (Spearman rho = 0.621, p = 0.009). Grad-CAM attribution analysis on 12 sampled predictions does not distinguish correct from incorrect cross-domain predictions (p = 0.462), indicating that common attribution proxies are insufficient for diagnosing shift at practical sample sizes. We document all frozen results, prespecified analysis criteria, and reproducibility artifacts in a public repository with SHA-256 integrity verification. This work establishes a rigorous empirical baseline for understanding cross-dataset generalization in agricultural computer vision and identifies both effective (augmentation) and ineffective (AdaBN) adaptation strategies.
• Abstract（参考訳）: イネ葉病の分類におけるデータセット間の移動は依然として重要な課題であり、ある画像コレクションで訓練されたモデルは、別の画像に展開すると著しく悪化する。 バングラデシュの3つのイネ葉病データセット(5,419画像,6つのトランスファーペア,3つのCNNバックボーン,3つのランダムシード)の系統的ベンチマークを行い,この障害を特徴づけ,診断した。 強い増強は、平均的なデータセットのマクロ-F1の改善+0.070(ウィルコクソンp < 0.001, 18の転送ペアのうち15)を回復させる。 セグメンテーションによる非リーフ画像の内容の除去は、2つの独立したセグメンテーション法で一致しているが、従来の意味には達していない方向性の利点(平均+0.066, p = 0.062, n = 36対の観測)を示す。 自己教師型 ViT 制御 (DINOv2 線形プローブ) は、CNN に等価なクロスデータセット崩壊を示し、アーキテクチャ帰納バイアスを第一ドライバとして排除し、取得条件シフトを指示する。 適応バッチ正規化(Adaptive batch normalization)は、ソース-ターゲットラベル-プライア分岐とモデル深さ(Spearman rho = 0.621, p = 0.009)との関連で、転送性能を均一に損なう。 12のサンプル予測に対するGrad-CAM属性分析は、誤ったクロスドメイン予測(p = 0.462)と正しく区別せず、実際のサンプルサイズでのシフトを診断するには共通の属性プロキシが不十分であることを示している。 我々は,SHA-256の整合性検証を施した公開リポジトリにおいて,凍結した結果,あらかじめ規定された分析基準,再現性アーティファクトを文書化する。 この研究は、農業コンピュータビジョンにおけるクロスデータセットの一般化を理解するための厳密な経験的ベースラインを確立し、効果的な(拡張)と非効果的な(AdaBN)適応戦略の両方を識別する。

関連論文リスト

• MORPHA: Morphology-Constrained Training and the Limits of Cross-Acquisition Transfer in Low-Resource Malaria Microscopy [0.0]
  形態的整合性制約であるMORPHAを提案する。 薄いスミア細胞から厚いスミアフィールドイメージへの転移では、この制約によりバイナリ分類の一般化が30.8%減少する。 薄いスミア統計は厚いスミア検出に移行せず、クロスアセプションの擬似ラベリングはフィルタ適用前に失敗する。
  論文  参考訳（メタデータ） (2026-09-05T09:19:44Z)
• Dataset-Origin Signatures and Shortcut Learning in Screening Mammography AI: A Cross-Dataset Case Study [0.0]
  異常に富んだ外部データセットから生検確認された症例を補足すると,性能が向上するかどうかを検討した。 我々は,Mammo-CLIP重み付き効率の良いNet-B5エンコーダを,一貫した前処理下で凍結線形プローブとして評価した。
  論文  参考訳（メタデータ） (2026-07-16T19:41:48Z)
• SVC-Probe: A Framework for Evaluating Perturbation Generalization in Spatial Foundation-Model Embeddings [3.884856136722027]
  本研究では,蛍光顕微鏡画像から得られた空間基底モデル埋め込みの一般化について検討する。 本稿では,SVC-Probeについて紹介する。SVC-Probeは細胞内埋め込みアトラス安定性,Mondrian Neighborhood Graphs,Foundation Model Perturbation Probeを組み合わせた摂動認識フレームワークである。
  論文  参考訳（メタデータ） (2026-06-26T13:46:36Z)
• Magnification-Invariant Image Classification via Domain Generalization and Stable Sparse Embedding Signatures [0.0]
  マグニフィケーションシフトは、あるスケールで訓練されたモデルが、しばしば他のスケールにあまり一般化しないため、頑健な病理組織学分類の大きな障害である。 本研究では, 厳密な患者分離型Let-one-magnification-outプロトコルを用いて, BreaKHisデータセット上でこの問題を評価した。
  論文  参考訳（メタデータ） (2026-04-28T16:26:14Z)
• Improving RCT-Based Treatment Effect Estimation Under Covariate Mismatch via Calibrated Alignment [0.0]
  本稿では,各ソースの特徴を共通表現空間にマッピングする埋め込み学習により,インプットを回避したCALMを提案する。 OSの結果モデルはRTT埋め込み空間に転送され、試行データを用いて校正され、ランダム化による因果同定が保存される。
  論文  参考訳（メタデータ） (2026-03-19T17:43:12Z)
• AgriPath: A Systematic Exploration of Architectural Trade-offs for Crop Disease Classification [45.52399819498234]
  本研究は、細粒度作物病分類のための3つのモデルパラダイムの体系的比較を示す。 我々は16の作物と41の病気にまたがる111kの画像を含むベンチマークであるAgriPath-LF16を紹介する。 CNNは画像の精度が最も高いが、ドメインシフトによって劣化する。 対照的なVLMは、競合するクロスドメイン性能を持つ堅牢でパラメータ効率の良い代替手段を提供する。
  論文  参考訳（メタデータ） (2026-03-08T17:28:01Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)

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。