論文の概要: Multi-Crop Leaf Disease Recognition: A Unified Benchmark and Cross-Region Study

• arxiv url: http://arxiv.org/abs/2610.04456v1
• Date: Sat, 03 Oct 2026 11:46:07 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:05:59.030357
• Title: Multi-Crop Leaf Disease Recognition: A Unified Benchmark and Cross-Region Study
• Title（参考訳）: マルチクロップリーフ病の診断 : 統一ベンチマークとクロスレギュレーションによる検討
• Abstract要約: 作物の葉の病気認識のためのディープラーニングモデルは、通常、ほぼ完璧な精度を報告しますが、通常、1つのデータセットでトレーニングされ、評価されます。 MLD(Multi-crop Leaf Disease)データセットは、米国、アジア、アフリカの6つの公共作物放流データセットを組み合わせた、統一されたマルチリージョンベンチマークである。 階層的定式化 (HiLeaD) により, 作物の病害予測が地域間移動下での認識を向上するか否かを検討する。
• 参考スコア（独自算出の注目度）: 0.6524460254566904
• License:
• Abstract: Deep learning models for crop leaf disease recognition routinely report near-perfect accuracy yet are typically trained and evaluated on a single dataset collected under controlled laboratory conditions, leaving their behavior under realistic cross-region domain shift poorly understood. We introduce MLD (Multi-crop Leaf Disease) dataset, a unified multi-region benchmark that combines six public crop-disease datasets from the USA, Asia, and Africa into a shared hierarchical taxonomy spanning 18 crops, 56 crop-disease classes (including one healthy class per crop) making 167,427 images. We define standardized single-source and pooled multi-source evaluation protocols that explicitly probe cross-region generalization. We also investigate whether exploiting the inherent crop-to-disease dependency via a hierarchical formulation (HiLeaD) that conditions disease prediction on the predicted crop improves recognition under cross-region shift. Under the HiLeaD, the model trained on PlantVillage achieves 99.07% in-domain disease F1 but collapses to 12.88% when tested on PlantDoc, exposing a severe cross-region domain gap. The model trained on the pooled MLD dataset partly recovers cross-region disease F1 from 12.88% to 39.64% on PlantDoc (HiLeaD), achieving a 26.76 percentage point improvement. The hierarchical formulation provides a consistent additional gain, ranging from 1.71 to 4.88 percentage points in disease F1 over the flat baseline under the MLD dataset indicating that progress in this area is currently limited more by data coverage and diversity than by model design.
• Abstract（参考訳）: 作物葉病認識のための深層学習モデルは、通常、制御された実験条件下で収集された単一のデータセット上で、ほぼ完全な精度を報告し、評価され、現実的なクロスリージョン領域シフト下での行動は理解されていない。 MLD(Multi-crop Leaf Disease)データセットは、米国、アジア、アフリカからの6つの公共作物放散データセットを組み合わせた、統合されたマルチリージョンのベンチマークであり、18の作物、56の作物放散クラス(1つの健康クラスを含む)が167,427の画像を作成できる。 我々は、クロスリージョンの一般化を明示的に調査する、標準化された単一ソースとプール化されたマルチソース評価プロトコルを定義する。 また、階層的定式化(HiLeaD)により、予測された作物の病害予測が、クロスリージョンシフト下での認識を改善するか否かについても検討した。 HiLeaDの下では、PlantVillageで訓練されたモデルは99.07%のドメイン内疾患F1を達成するが、PlantDocでテストすると12.88%に崩壊する。 プールされたMDDデータセットでトレーニングされたモデルは、地域横断病F1を12.88%から39.64%まで回復させ、26.76ポイントの改善を達成している。 階層的な定式化は、MLDデータセットに基づくフラットベースライン上の病気F1の1.71から4.88パーセンテージまで、この領域の進歩は、モデル設計よりもデータカバレッジと多様性によって制限されていることを示している。

関連論文リスト

• Cross-Architectural Mixture-of-Experts with Adaptive Soft Routing for Plant Leaf Disease Classification [0.06875312133832077]
  本研究では,アーキテクチャ間ルーティングを用いた適応型ソフト・ミックス・オブ・エクササイズ(MoE)フレームワークを提案する。 MoEフレームワークはEfficientNet-B0、DenseNet-121、Swin-Tinyを統合し、補完的なマルチスケール、ローカル、グローバル機能を活用する。
  論文  参考訳（メタデータ） (2026-06-22T14:58:42Z)
• 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)
• XAI and Few-shot-based Hybrid Classification Model for Plant Leaf Disease Prognosis [8.399688944263843]
  このフレームワークは、実世界のデータ制約のある農業病モニタリングアプリケーションに有望なソリューションを提供する。 このモデルは高い精度、精度、リコール、F1スコアを連続的に達成し、様々な疾患の段階では92%を超えることがよくある。
  論文  参考訳（メタデータ） (2026-03-03T13:29:35Z)
• Simultaneous Detection of LSD and FMD in Cattle Using Ensemble Deep Learning [0.0]
  ランピー皮膚病(LSD)とフット・アンド・ムート病(FMD)は牛に感染するウイルス性疾患である。 彼らの視覚的診断は、互いに重なり合う重要な症状と、昆虫の噛み込みや化学燃焼のような良質な状態によって複雑である。 そこで本研究では,VGG16,ResNet50,InceptionV3を併用したEnsemble Deep Learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-19T09:42:00Z)
• DExNet: Combining Observations of Domain Adapted Critics for Leaf Disease Classification with Limited Data [3.156688657641748]
  本研究では,植物病の分類のためのドメイン適応エキスパートネットワーク(DExNet)を提案する。 まず、最先端のCNNベースのアーキテクチャである9つの'批評家'から、機能の埋め込みを'オブザーブレーション'として抽出する。 提案したパイプラインは、PlantVillageデータセットから10種類のトマト葉のイメージに基づいて評価される。
  論文  参考訳（メタデータ） (2025-06-22T21:15:54Z)
• A Knowledge-enhanced Pathology Vision-language Foundation Model for Cancer Diagnosis [58.85247337449624]
  本稿では,疾患知識を階層型セマンティックグループ内のアライメントに組み込む知識強化型視覚言語事前学習手法を提案する。 KEEPはゼロショット癌診断タスクにおいて最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-17T17:45:21Z)
• Assessing and Enhancing Large Language Models in Rare Disease Question-answering [64.32570472692187]
  本稿では,レアな疾患の診断におけるLarge Language Models (LLMs) の性能を評価するために,レアな疾患問合せデータセット(ReDis-QA)を導入する。 ReDis-QAデータセットでは1360の高品質な質問応答ペアを収集し,205の稀な疾患をカバーした。 その後、いくつかのオープンソースのLCMをベンチマークし、希少疾患の診断がこれらのモデルにとって重要な課題であることを示した。 実験の結果,ReCOPは,ReDis-QAデータセット上でのLCMの精度を平均8%向上できることがわかった。
  論文  参考訳（メタデータ） (2024-08-15T21:09:09Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)

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。