Fugu-MT 論文翻訳(概要): Enhancing Cross-Grade Generalization in Banana Variety Classification via Hybrid CNN-Transformers and Knowledge Self-Distillation

論文の概要: Enhancing Cross-Grade Generalization in Banana Variety Classification via Hybrid CNN-Transformers and Knowledge Self-Distillation

arxiv url: http://arxiv.org/abs/2610.29008v1
Date: Wed, 21 Oct 2026 00:19:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-23 00:40:06.16514
Title: Enhancing Cross-Grade Generalization in Banana Variety Classification via Hybrid CNN-Transformers and Knowledge Self-Distillation
Title（参考訳）: ハイブリッドCNN変換器と知識自己蒸留によるバナナ品種分類におけるクロスグレード一般化の促進
Abstract要約: クロスグレードバナナ品種分類の課題に対処する。これは、特定の品質グレードでトレーニングされたモデルが、重要なドメインシフトを処理するために、目に見えないグレードに一般化されなければならない現実的な設定である。 KL分割に基づく自己蒸留により強化されたデュアルストリームSwin ResNetハイブリッドフレームワークを提案する。
参考スコア（独自算出の注目度）: 8.261566263516018
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In recent years, automated fruit classification systems have become a more critical component in precision agriculture for efficient yield estimation, quality control, and supply chain optimization. However, they still face significant challenges under varying quality, fruit maturity, illumination, texture degradation, morphological attributes, domain shift, and post-harvest handling conditions. In this study, we address the challenging issue of cross-grade banana variety classification. This is a real-world setting where models that have been trained on specific quality grades must generalize to unseen grades to handle significant domain shift. Under a rigorous Leave-One-Grade-Out evaluation protocol, we present a thorough comparative analysis of CNNs, ViTs, and dual-stream hybrid architectures using a large-scale dataset of 31,678 banana images with three varieties and three quality grades. Specifically, to address the drawbacks of single-paradigm frameworks, we present a dual-stream Swin ResNet hybrid framework enhanced with KL-divergence-based self-distillation to align probabilistic feature representations across the CNN and Transformer streams. Comprehensive experimental analyzes show that the presented hybrid framework with KL-divergence based self-distillation achieves better overall performance, i.e., it attains a mean accuracy of 81.25% and significantly surpasses CNN and Transformer baseline models. Qualitative analysis further confirms that the hybrid framework in this study improves discriminative feature transferability, improves attention localization, and stabilizes optimization.
Abstract（参考訳）: 近年、自動果物分類システムは、効率の良い収量推定、品質管理、サプライチェーン最適化のための精密農業において、より重要な要素となっている。しかし, 品質, 果実成熟度, 照明, テクスチャ劣化, 形態的特性, ドメインシフト, ハーベスト後の処理条件など, 様々な課題に直面している。本研究では,クロスグレードバナナ品種分類の課題に対処する。これは、特定の品質グレードでトレーニングされたモデルが、重要なドメインシフトを処理するために、目に見えないグレードに一般化されなければならない現実的な設定である。厳密なLeave-One-Grade-Out評価プロトコルの下で,3種類のバナナ画像と3つの品質グレードを持つ大規模データセットを用いて,CNN,ViT,デュアルストリームハイブリッドアーキテクチャの徹底的な比較分析を行う。具体的には、単一パラダイムフレームワークの欠点に対処するため、CNNとTransformerストリーム間の確率的特徴表現を調整するために、KL分割に基づく自己蒸留により強化されたデュアルストリームSwin ResNetハイブリッドフレームワークを提案する。総合的な実験的分析により、KL分割に基づく自己蒸留によるハイブリッドフレームワークは、平均81.25%の精度を実現し、CNNやTransformerのベースラインモデルを大幅に上回っている。定性的分析により、この研究におけるハイブリッドフレームワークは、識別的特徴伝達性を改善し、注意の局所化を改善し、最適化を安定化することを確認した。

関連論文リスト

Why Convolution Still Matters: Evaluating Inductive Biases in Cryospheric Image Classification [0.4640835690336653]
以前は畳み込みニューラルネットワーク(CNN)が好まれていたグリーンランド氷床画像データセットのベンチマークを再検討した。我々は,従来のCNN(AlexNet),現代CNN(ConvNeXt-Tiny),純粋注意モデル(Swin-Tiny),ハイブリッドコンボリューション・アテンションモデル(CoAtNet-0)を同一のトレーニングおよび評価プロトコルで比較した。結果は、AlexNetがマクロ平均F1で測定した最高精度と最高バランス性能を達成し、ConvNeXt-Tinyは最大マクロ平均AUCを示し、強いクラスセパーを示していることを示している。
論文参考訳（メタデータ） (2026-10-02T21:35:30Z)
DNA: Dual-stage Native Attribution for Generated Image Source Tracing [75.65470221927096]
既存のプロアクティブな方法は、透かしの埋め込みやモデル修正に依存している。 DNAは、ニューラルネットワークのトレーニングを追加せずに、この階層に従う粗大なフレームワークである。実験の結果、DNAは89.11%のエンドツーエンドの属性精度を達成している。
論文参考訳（メタデータ） (2026-07-15T10:27:52Z)
Performance and Interpretability of Convolutional, Transformer, and Hybrid Deep Learning Models in Colorectal Histology Classification [0.0]
本研究では, Kather の大腸癌組織学データセットを用いて, ImageNet-pretrained CNN, Transformer, Hybrid Architectures の12種類の評価を行った。 EVA-02は最高性能(精度97.1%、F1スコア97.0%)を達成し、その後ViT-B/16が続いた。
論文参考訳（メタデータ） (2026-06-21T18:56:42Z)
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)
Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
論文参考訳（メタデータ） (2025-10-08T10:09:47Z)
No-Reference Image Quality Assessment with Global-Local Progressive Integration and Semantic-Aligned Quality Transfer [6.095342999639137]
視覚変換器(ViT)を用いたグローバル特徴抽出器と畳み込みニューラルネットワーク(CNN)を用いた局所特徴抽出器を組み合わせた二重測定フレームワークを開発した。多様な画像コンテンツの品質スコアを主観的な意見スコアで自動的にラベル付けすることで、トレーニングデータを拡張するセマンティック・アライン・クオリティ・トランスファー手法を提案する。
論文参考訳（メタデータ） (2024-08-07T16:34:32Z)
Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文参考訳（メタデータ） (2023-08-04T01:19:32Z)
Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
論文参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。