論文の概要: GANet: A Lightweight Group Attention Network for Plant Disease Identification on Embedded Systems
- arxiv url: http://arxiv.org/abs/2610.30225v1
- Date: Wed, 21 Oct 2026 17:35:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.089147
- Title: GANet: A Lightweight Group Attention Network for Plant Disease Identification on Embedded Systems
- Title（参考訳）: GANet:組込みシステムにおける植物病の同定のための軽量グループ注意ネットワーク
- Abstract要約: 本稿では,38種類の植物病の予測とモニタリングを目的とした,GANet(Group Equivariance Attention Network)を提案する。
0.001Mのパラメータしか持たないこのモデルは、PlantVillageデータセットで99.99%の精度を達成した。
GANetはRaspberry Pi 4bやJetson Nanoなどのエッジデバイスへのデプロイに最適化されており、それぞれ5 FPSと11 FPSに到達している。
- 参考スコア（独自算出の注目度）: 0.9566312408744934
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Global warming and climate change are major catalysts for plant diseases, significantly affecting food production worldwide. Addressing this issue requires continuous monitoring and early detection of plant diseases. While recent advancements in deep learning offer potential solutions, most models demand high processing power and struggle to perform efficiently on low-end electronic hardware. Furthermore, many existing works focus on specific crop diseases, limiting their broader applicability. This paper presents a lightweight Group Equivariance Attention Network (GANet) designed for the prediction and monitoring of 38 types of plant diseases. GANet introduces a novel Group Attention block and Group-Wise Feature Fusion block, making it both sparse and efficient. With only 0.001M parameters, the model achieves an impressive 99.99% accuracy on the PlantVillage dataset. Additionally, GANet is optimized for deployment on edge devices such as the Raspberry Pi 4b and Jetson Nano, where it reaches 5 FPS and 11 FPS, respectively, demonstrating its potential for real-time plant disease monitoring on low-power devices.
- Abstract（参考訳）: 地球温暖化と気候変動は植物病の主要な触媒であり、世界中の食料生産に大きな影響を与えている。
この問題に対処するには、継続的なモニタリングと植物の病気の早期発見が必要である。
近年のディープラーニングの進歩は潜在的な解決策を提供するが、ほとんどのモデルは高性能な処理能力を必要とし、ローエンドの電子ハードウェアで効率よく動作させるのに苦労している。
さらに、多くの既存の研究は特定の作物病に焦点を当てており、適用範囲を限定している。
本稿では,38種類の植物病の予測とモニタリングを目的とした,GANet(Group Equivariance Attention Network)を提案する。
GANetは、グループアテンションブロックとグループワイズフィーチャーフュージョンブロックを導入した。
0.001Mのパラメータしか持たないこのモデルは、PlantVillageデータセットで99.99%の精度を達成した。
さらに、GANetはRaspberry Pi 4bやJetson Nanoなどのエッジデバイスへのデプロイに最適化されており、それぞれ5 FPSと11 FPSに到達している。
関連論文リスト
- Active perception for robotic harvesting: 3D reconstruction and localisation of tomatoes hidden within clusters in a Mediterranean greenhouse [39.146761527401424]
本研究は, クラスター内の果実の3次元再構成と精密な局在化のための包括的パイプラインを提案する。
精度は90%を超え、平均リコール率は82.8%、平均インターセクション・オブ・ユニオン(mIoU)は80.7%である。
論文 参考訳（メタデータ） (2026-09-16T14:33:08Z) - UniGIO: Unified Generative Global In-situ Weather Modeling from Spatiotemporal Incomplete Observations [105.39188182564179]
グローバルインサイト観測(Global In-situ Observation, GIO)は、希少な局から地球規模の気象システムの詳細な直接記録を提供する。
GIOは強い不完全性を示し、精度とリアルタイムの気象モデリングを著しく損なう。
自然不完全なGIOからグローバルな気象力学を直接モデル化するための新しい生成フレームワークUniGIOについて検討する。
論文 参考訳（メタデータ） (2026-09-02T08:37:27Z) - AGRICAM: A Track-Mounted Crop Pollination Monitoring Robot [3.4609543125371354]
AGRICAMは、保護された収穫システムにおける大規模受粉監視の要求を満たすように設計された、目的を持ったロボットシステムである。
AGRICAMは、作物列に沿って移動するための低コストで容易に設置されたトラックで自律的に動作している。
システムは、昆虫の位置と環境条件の映像と画像データをキャプチャする。
論文 参考訳（メタデータ） (2026-08-29T12:49:54Z) - Design and Evaluation of an AI-Enabled Cloud-Edge Architecture for Connected Precision Agriculture Farms [0.28312565521926425]
植物病は世界中で顕著な収量減少を引き起こし、トマトの作物は特に早熟、遅熟、葉型に影響を受けやすい。
この制限に対処するため、自律的な作物モニタリングのために人工知能(AI)によりクラウドエッジアーキテクチャが提案されている。
このアーキテクチャでは、IoT(Internet of Things)センサ、無人航空機(UAV)、ディープラーニング、Azure IoT Hubベースのクラウド分析、マルチプラットフォームインターフェースを統合している。
論文 参考訳（メタデータ） (2026-08-04T15:25:02Z) - Investigating Target Class Influence on Neural Network Compressibility for Energy-Autonomous Avian Monitoring [36.85680419418593]
本研究では,マイクロコントローラユニット(MCU)を直接現場で動作させる機械学習モデルを提案する。
本研究は,複数種の鳥の発見を評価するために,様々な対象クラスのモデルを訓練し,圧縮した。
また、異なるハードウェアプラットフォームに対してベンチマーク結果を提供し、エネルギー自動デバイスをデプロイする可能性を評価する。
論文 参考訳（メタデータ） (2026-02-19T16:24:33Z) - Dynamic Meta-Ensemble Framework for Efficient and Accurate Deep Learning in Plant Leaf Disease Detection on Resource-Constrained Edge Devices [0.0]
資源制約下での高精度植物病診断のための新しい動的メタエンブルフレームワーク(DMEF)を提案する。
DMEFは適応重み付け機構を採用し、3つの軽量畳み込みニューラルネットワークの予測を動的に組み合わせている。
ジャガイモとトウモロコシ病のベンチマークデータセットの実験では、それぞれ99.53%と96.61%の最先端の分類精度が示されている。
論文 参考訳（メタデータ） (2026-01-24T03:57:49Z) - Mobile-Friendly Deep Learning for Plant Disease Detection: A Lightweight CNN Benchmark Across 101 Classes of 33 Crops [39.58317527488534]
植物病は世界の食料安全保障にとって大きな脅威である。
我々は、33の作物で101の植物病を正確に分類できるモバイルフレンドリーなソリューションを開発した。
論文 参考訳（メタデータ） (2025-08-14T16:43:27Z) - Plant Disease Detection through Multimodal Large Language Models and Convolutional Neural Networks [0.5009853409756729]
本研究では,多モーダル大規模言語モデル(LLM)と畳み込みニューラルネットワーク(CNN)を併用した葉のイメージを用いた植物病の自動分類の有効性について検討した。
ゼロショット,少数ショット,プログレッシブ微調整シナリオのモデル性能を評価する。
論文 参考訳（メタデータ） (2025-04-29T04:31:58Z) - Towards Generating Large Synthetic Phytoplankton Datasets for Efficient
Monitoring of Harmful Algal Blooms [77.25251419910205]
有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。
現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。
合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
論文 参考訳（メタデータ） (2022-08-03T20:15:55Z) - Monitoring Vegetation From Space at Extremely Fine Resolutions via
Coarsely-Supervised Smooth U-Net [31.664846332628183]
植生の生産性を極めて微細な解像度でモニタリングすることは、現実世界の農業用途に有用である。
粗い監督設定のための新しい手法として、粗い監督された平滑なU-Net(CS-SUNet)を提案する。
実験の結果,CS-SUNetは既存手法よりも高精度にSIFの微細な変化を解消できることがわかった。
論文 参考訳（メタデータ） (2022-07-16T21:36:22Z) - Explainable vision transformer enabled convolutional neural network for
plant disease identification: PlantXViT [11.623005206620498]
植物病は世界の作物の損失の主な原因であり、世界経済に影響を及ぼす。
本研究では、植物病の同定のために、ビジョントランスフォーマーにより「PlantXViT」と呼ばれる畳み込みニューラルネットワークモデルが提案される。
提案したモデルは、わずか0.8万のトレーニング可能なパラメータを持つ軽量な構造であり、IoTベースのスマート農業サービスに適している。
論文 参考訳（メタデータ） (2022-07-16T12:05:06Z)
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。