論文の概要: Environmental sensor readings in two crop disease image datasets identify the session in which each image was taken

• arxiv url: http://arxiv.org/abs/2610.06369v1
• Date: Mon, 05 Oct 2026 14:04:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:49:06.559475
• Title: Environmental sensor readings in two crop disease image datasets identify the session in which each image was taken
• Title（参考訳）: 2つの作物病画像データセットにおける環境センサの読み取りは、各画像が撮影されたセッションを識別する
• Abstract要約: マルチモーダルネットワークは セッションIDを記憶すれば 病気を予測できる 通常のランダムスプリットの性能向上はセッションリークから切り離せないことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Integrating environmental sensor data with leaf imagery is widely reported to boost crop disease classification accuracy. In this work, we reveal that these reported gains are often artifacts of dataset construction: because a single sensor reading is shared across many images collected in a single session (one farm on one date), multimodal networks can predict disease simply by memorizing session identities. Analyzing two widely used Korean datasets, the Crop Disease Diagnosis (CDD) benchmark and an AI Hub pest/disease dataset, we demonstrate that nearly all images share sensor values, with 91.9% of CDD test images having exact sensor duplicates in the training set. Remarkably, an image-free classifier given only timestamps matches or exceeds sensor-driven predictions across all seven evaluated crops, and matches the published macro-F1 of a state-of-the-art CDD fusion model. These results indicate that performance gains on standard random splits cannot be disentangled from session leakage. We propose that multimodal crop studies must evaluate on session-held-out splits and report performance against sensor-free date-time baselines to ensure genuine generalization.
• Abstract（参考訳）: 環境センサデータと葉のイメージを統合することで、作物病の分類精度を高めることが広く報告されている。 単一セッション(1つのファームに1つの日)で収集された多数の画像間で単一のセンサ読み取りが共有されるため、マルチモーダルネットワークはセッションIDを記憶するだけで病気を予測できる。 韓国で広く使われている2つのデータセット、Crop Disease Diagnosis (CDD)ベンチマークとAI Hub Pest/diseaseデータセットを分析し、ほぼすべての画像がセンサー値を共有しており、トレーニングセットに正確なセンサー重複を有するCDDテストイメージの91.9%がセンサー値を共有していることを示した。 注目すべきは、タイムスタンプのみを与えられた画像自由分類器は、評価された7つの作物すべてにセンサー駆動予測を一致または超過し、最先端のCDD融合モデルの公表されたマクロF1と一致することである。 これらの結果から,通常のランダムスプリットにおける性能向上はセッションリークから切り離せないことが示唆された。 そこで本研究では,マルチモーダル作物の研究において,セッションホールドアウト分割の評価と,センサフリーの日時ベースラインに対する性能評価を行い,真の一般化を実現することを提案する。

関連論文リスト

• Text Over Image: Auditing Multimodal Robustness in Synthetic Medical Image Detection [38.146353416394234]
  我々は、画像記録インタフェースにおけるマルチモーダルロバスト性の監査として、合成医用画像検出を再構成する。 メタデータのコンテキストだけを変えることで、信頼性の判断を覆すことがわかりました。 そこで本研究では,モデルの再学習を伴わずに,予測時間短縮パイプラインを用いて前兆ショートカットの検出と中和を行う。
  論文  参考訳（メタデータ） (2026-06-24T04:08:41Z)
• Quality-Aware Calibration for AI-Generated Image Detection in the Wild [13.4681679159494]
  QuAD(Quality-Aware calibration with near-duplicates)は、同じ画像のすべての利用可能なニア・ドプリケートに基づいて決定を行う新しいフレームワークである。 オンライン再投稿のダイナミクスをシミュレートする分解木で編成された136kのイメージのラベル付きデータセットであるAncesTreeと、バイラルWebコンテンツから収集された約10kに近い画像の実際のデータセットであるReWINDの2つのデータセットを紹介した。
  論文  参考訳（メタデータ） (2026-04-16T13:56:52Z)
• DiffDoctor: Diagnosing Image Diffusion Models Before Treating [57.82359018425674]
  DiffDoctorは2段階のパイプラインで、画像拡散モデルがより少ないアーティファクトを生成するのを支援する。 我々は100万以上の欠陥のある合成画像のデータセットを収集し、効率的なHuman-in-the-loopアノテーションプロセスを構築した。 次に、学習したアーティファクト検出器が第2段階に関与し、ピクセルレベルのフィードバックを提供することで拡散モデルを最適化する。
  論文  参考訳（メタデータ） (2025-01-21T18:56:41Z)
• Benchmarking Pretrained Vision Embeddings for Near- and Duplicate Detection in Medical Images [0.6827423171182154]
  本稿では,2次元コンピュータビジョンの埋め込みを利用した近距離・重複3次元医用画像の同定手法を提案する。 公開されているメディカルデスロンデータセットに基づいて,実験的なベンチマークを生成する。
  論文  参考訳（メタデータ） (2023-12-12T13:52:55Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Denoising Diffusion Probabilistic Model for Retinal Image Generation and Segmentation [3.6350786512556987]
  本稿では,画像合成におけるGANよりも優れた新しい拡散確率モデル(DDPM)を提案する。 網膜画像とそれに対応する血管木と,ReTreeデータセットの画像でトレーニングされたDDPMに基づくセグメンテーションネットワークからなる網膜ツリーデータセットを開発した。
  論文  参考訳（メタデータ） (2023-08-16T13:01:13Z)
• Revisiting Consistency Regularization for Semi-supervised Change Detection in Remote Sensing Images [60.89777029184023]
  教師付きクロスエントロピー(CE)損失に加えて、教師なしCD損失を定式化する半教師付きCDモデルを提案する。 2つの公開CDデータセットを用いて実験を行った結果,提案手法は教師付きCDの性能に近づきやすいことがわかった。
  論文  参考訳（メタデータ） (2022-04-18T17:59:01Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。