論文の概要: Uncertainty-Aware Semi-Supervised Framework with Supervised Contrastive Learning for Sugarcane Leaf Disease Detection

• arxiv url: http://arxiv.org/abs/2610.17996v1
• Date: Tue, 13 Oct 2026 08:58:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 07:48:24.263524
• Title: Uncertainty-Aware Semi-Supervised Framework with Supervised Contrastive Learning for Sugarcane Leaf Disease Detection
• Title（参考訳）: Sugarcane Leaf病検出のためのコントラスト学習を指導した不確実性を考慮した半監視フレームワーク
• Abstract要約: サトウキビの葉の病気は作物の収量と品質に深刻な影響を及ぼす。 植物病検出のためのディープラーニングモデルは、大きな注釈付きデータセットに依存する。 本稿では,不確かさを意識したセミスーパービジョン学習病検出ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 3.060476728340148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sugarcane leaf diseases severely impact crop yield and quality, making accurate and timely detection critical for sustainable agriculture. Conventional deep learning models for plant disease detection depend on large annotated datasets, which are expensive to obtain and challenging to prepare due to challenges commonly observed across crop disease detection tasks, including (i) high intra-class variation caused by diverse symptom expressions across growth stages, (ii) subtle inter-class similarities between diseased and healthy tissues, and (iii) the risk of noisy labels degrading model reliability. To handle these challenges, we presented an Uncertainty-aware Mean-Teacher based Semi-Supervised Learning Disease Detection Network (U-SSDNet) that leverages unlabeled data while maintaining robustness. First, discrete wavelet transform preprocessing is applied to enhance lesion visibility and reduce intra- class variation. Subsequently, the KL divergence is employed to refine the pseudo-labels and reduce the impact of confirmation bias. At the same time, supervised contrastive learning is applied to make the features more distin- guishable and improve the separation among different classes. Experimental evaluations on sugarcane leaf disease datasets, considered a representative case study, demonstrate that the proposed approach achieves performance close to that of fully supervised models while requiring far fewer annotated samples and consistently outperforms state-of-the-art supervised and semi-supervised approaches.
• Abstract（参考訳）: サトウキビの葉の病気は作物の収量と品質に深刻な影響を与え、持続可能な農業にとって正確かつタイムリーな検出が重要である。 植物病検出のための従来のディープラーニングモデルは、大量の注釈付きデータセットに依存している。 (i)成長段階にまたがる多彩な症状発現によるクラス内変異 (II)疾患組織と健康組織との微妙なクラス間類似性、及び 三 モデルの信頼性を低下させる騒音ラベルのリスク。 これらの課題に対処するため、我々は、堅牢性を保ちながらラベルのないデータを活用する、不確実な平均教師に基づくセミスーパービジョン学習病検出ネットワーク(U-SSDNet)を紹介した。 まず、離散ウェーブレット変換前処理を適用し、病変の可視性を高め、クラス内変動を低減する。 その後、KL分散は擬似ラベルを洗練させ、確認バイアスの影響を低減するために用いられる。 同時に、教師付きコントラスト学習を適用して、特徴をより違和感なくし、異なるクラス間の分離を改善する。 代表的な事例と考えられるサトウキビ葉病データセットの実験的評価は,提案手法が完全教師付きモデルに近い性能を達成し,注釈付きサンプルをはるかに少なくし,最先端の教師付きおよび半教師付きアプローチを一貫して上回ることを示した。

関連論文リスト

• A Dataset-Centric Benchmark of Deep Learning Methods for Grape Leaf Disease Classification and Detection [0.815557531820863]
  本稿では,ブドウ葉病の分類と検出のための深層学習手法のデータセット中心ベンチマークを提案する。 我々は,疾患分類,アノテーションタイプ,取得条件,画像特性,クラス分布,証明性,タスク適合性の観点から,公開データセットの分析を行った。 その結果、制御されたデータセットやデリバティブデータセットのほぼ飽和な分類性能、異種データセットの難易度、アノテーション設定による検出性能の大幅な変化が示された。
  論文  参考訳（メタデータ） (2026-08-20T23:17:09Z)
• Weakly Supervised Patch Annotation for Improved Screening of Diabetic Retinopathy [9.215451885169538]
  糖尿病網膜症(DR: Diabetic Retinopathy)は、視力喪失を防ぐための時間的スクリーニングを必要とする。 既存の文献は主に画像レベルの監督、弱教師付きローカライゼーション、クラスタリングに基づく表現学習に焦点を当てている。 類似性に基づく。 Feature-space Ensemble (SAFE)は、弱い監視を統一する2段階のフレームワークである。 対照的な学習、パッチワイドな埋め込み推論。
  論文  参考訳（メタデータ） (2026-03-04T12:35:55Z)
• 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)
• Learning Robust Diffusion Models from Imprecise Supervision [75.53546939251146]
  DMISは、Imrecise Supervisionから堅牢な条件拡散モデルをトレーニングするための統一されたフレームワークである。 我々のフレームワークは、可能性から派生し、その目的を生成的および分類的構成要素に分解する。 画像生成、弱教師付き学習、データセットの凝縮をカバーし、様々な形の不正確な監視実験を行い、DMISが常に高品質でクラス差別的なサンプルを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T14:00:32Z)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• On the Within-class Variation Issue in Alzheimer's Disease Detection [66.70233526150723]
  Alzheimer's Disease (AD) 検出では、ADと非ADの個人を区別するために、機械学習の分類モデルを使用している。 そこで本研究では,サンプルスコア推定器を用いて,認知的スコアと整合した標本特異的なソフトスコアを生成できることを確認した。 ソフトターゲット蒸留(SoTD)とインスタンスレベルの再分散(InRe)の2つの簡易かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T02:06:05Z)
• What limits performance of weakly supervised deep learning for chest CT classification? [0.44241702149260353]
  ノイズの多いデータによる弱教師付き学習は、高品質な疾患ラベルの出現により、医用画像のコミュニティで注目されている。 本稿では, ノイズデータに対するモデル耐性を検証し, 弱い監視効果を検証した。 その結果, 疾患分類性能の低下を経験する前に, ラベルエラーを最大10%加えることができた。
  論文  参考訳（メタデータ） (2024-02-06T21:38:29Z)
• Semi-Supervised Relational Contrastive Learning [8.5285439285139]
  本稿では,自己教師付きコントラスト損失と一貫性を利用した半教師付き学習モデルを提案する。 我々は,ISIC 2018 Challengeベンチマークの皮膚病変分類を検証し,各種ラベル付きデータに対する本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-04-11T08:14:30Z)
• 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)

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。