論文の概要: Enhancing Deep Learning Model Performance through Data Generation Strategies: Classification of Olive Tree Diseases

• arxiv url: http://arxiv.org/abs/2610.35984v1
• Date: Mon, 26 Oct 2026 11:53:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.379481
• Title: Enhancing Deep Learning Model Performance through Data Generation Strategies: Classification of Olive Tree Diseases
• Title（参考訳）: データ生成手法によるディープラーニングモデルの性能向上:オリーブ木病の分類
• Abstract要約: 本稿では,ディープラーニングモデルの限界を克服する包括的データ生成戦略を提案する。 まず、従来の拡張手法、CutMix、MixUp、合成画像生成など、さまざまなデータ生成手法を適用して、新しいデータサンプルを作成する。 第3に,これらのデータ分布がモデルパースに与える影響を,事前学習および微調整を行ったEfficientNetV2B0アーキテクチャを用いて評価する。
• 参考スコア（独自算出の注目度）: 1.3999481573773072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models are highly effective in a wide range of domains, particu larly in plant disease diagnosis. However, their performance is often limited by challenges such as insufficient data and class imbalance. In our work, we propose a comprehensive data generation strategy to overcome these limitations. First, we apply various data generation techniques, including traditional augmentation methods, CutMix, MixUp, and synthetic image generation using Deep Convolu tional Generative Adversarial Networks (DCGANs), to create new data samples. Second, we exploit this generated data in three scenarios: (S1) balancing class distribution in the original dataset, (S2) increasing the number of samples per class, and (S3) expanding the dataset while maintaining balanced classes. Third, we evaluate the impact of these data distributions (S1, S2, S3) on model perfor mance using the EfficientNetV2B0 architecture with pre-trained and fine-tuned weights. The experimental results show a substantial improvement in classifica tion accuracy, emphasizing the critical role of data diversity and class balance. These findings highlight the effectiveness and adaptability of the proposed strat egy of data generation and distribution for enhancing dataset quality, offering promising applications in plant disease detection and precision agriculture.
• Abstract（参考訳）: 深層学習モデルは、植物疾患の診断において主に幅広い領域において非常に効果的である。 しかし、その性能はデータ不足やクラス不均衡といった問題によって制限されることが多い。 本研究では,これらの制約を克服するための包括的データ生成戦略を提案する。 まず,Deep Convolu tional Generative Adversarial Networks (DCGAN) を用いた,従来の拡張手法,CutMix,MixUp,合成画像生成など,さまざまなデータ生成手法を適用し,新しいデータサンプルを作成する。 第2に、生成されたデータを3つのシナリオで活用する: (S1) 元のデータセットにおけるクラスの分散のバランス、(S2) クラス毎のサンプル数の増加、(S3) バランスの取れたクラスを維持しながらデータセットを拡大する。 第3に,これらのデータ分布(S1,S2,S3)がモデルパースに与える影響を,事前学習および微調整を行ったEfficientNetV2B0アーキテクチャを用いて評価した。 実験結果は,データ多様性とクラスバランスの重要な役割を強調するとともに,分類の精度を大幅に向上させた。 これらの知見は、データセットの品質向上のためのデータ生成と分布のストラトエギーの有効性と適応性を強調し、植物病の検出と精密農業に有望な応用を提供する。

関連論文リスト

• Rebalancing the Scales: A Systematic Mapping Study of Generative Adversarial Networks (GANs) in Addressing Data Imbalance [0.16385815610837165]
  Generative Adrial Networks (GANs) は、高品質な合成データを生成するデータ前処理技術として大きな可能性を示した。 本研究では、4つのデジタルライブラリから得られる不均衡なデータに対して、GANに基づくサンプリング手法に関する3041の論文を体系的なマッピング手法を用いて分析する。 包括的定量的分析を通じて、データの不均衡の性質を扱うために、アプリケーションドメイン、GAN技術、およびGAN変種として3つの分類写像を導入する。
  論文  参考訳（メタデータ） (2025-02-23T11:03:29Z)
• Fair Distributed Machine Learning with Imbalanced Data as a Stackelberg Evolutionary Game [0.0]
  分散学習はStackelbergの進化ゲームだと考えている。 3つの医学データセットを用いて、分散学習における不足表現ノードに対する動的重み付けの影響を明らかにする。
  論文  参考訳（メタデータ） (2024-12-20T17:23:12Z)
• DiverGen: Improving Instance Segmentation by Learning Wider Data Distribution with More Diverse Generative Data [48.31817189858086]
  生成データは、モデルが学習できるデータ分布を拡大し、過剰適合を軽減できると主張している。 DiverGenは強力なX-Pasteよりも優れており、すべてのカテゴリで+1.1ボックスAPと+1.1マスクAPを達成でき、まれなカテゴリでは+1.9ボックスAPと+2.5マスクAPを達成できる。
  論文  参考訳（メタデータ） (2024-05-16T15:30:18Z)
• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
  医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。 データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。 本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T16:59:27Z)
• Which Augmentation Should I Use? An Empirical Investigation of Augmentations for Self-Supervised Phonocardiogram Representation Learning [5.438725298163702]
  自己監視型学習(SSL) 対照的な学習は、データの不足を軽減できる可能性を示している。 本研究の目的は,PCG分類におけるSSLモデルの性能向上を目的とした,幅広いオーディオベースの拡張と組み合わせの探索と評価である。
  論文  参考訳（メタデータ） (2023-12-01T11:06:00Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Guiding Generative Language Models for Data Augmentation in Few-Shot Text Classification [59.698811329287174]
  我々は、GPT-2を用いて、分類性能を向上させるために、人工訓練インスタンスを生成する。 実験の結果,少数のラベルインスタンスでGPT-2を微調整すると,一貫した分類精度が向上することがわかった。
  論文  参考訳（メタデータ） (2021-11-17T12:10:03Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。