論文の概要: Statistical Machine Learning for Medicinal Plant Leaves Classification
- arxiv url: http://arxiv.org/abs/2611.04193v1
- Date: Tue, 03 Nov 2026 02:27:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 01:22:02.863313
- Title: Statistical Machine Learning for Medicinal Plant Leaves Classification
- Title(参考訳): 薬草葉分類のための統計的機械学習
- Abstract要約: 医薬用植物葉を写真から分類する統計機械学習手法であるMEDIPIを提案する。
また,スリランカ産31種の葉のイメージが1,099点のオープンRパッケージであるMedLEAもリリースした。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medicinal plants are usually identified using practitioners' experience, but reproducible, image based methods can complement this knowledge. We present MEDIPI (MEDIcinal Plant Identification), a statistical machine learning approach that classifies medicinal plant leaves from photographs. From each leaf image we extract 52 interpretable features covering shape, texture, color, and a new scagnostics category. We then classify leaves using a three level hierarchy: shape, then edge type, then species. We also release MedLEA, an open R package with 1,099 leaf images of 31 Sri Lankan medicinal plant species. On this dataset, a hierarchical Random Forest achieved the best overall accuracy (100%) in our comparison of hierarchical and non-hierarchical approaches and eight algorithms: Random Forest, XGBoost, Gradient Boosting, linear discriminant analysis, k-nearest neighbor, support vector machine, probabilistic neural network, and artificial neural network. Adding texture, color, and scagnostic features to shape features raised shape level accuracy from 90% to 97%. Linear discriminant analysis plots show how the trained model separates leaf shapes. Accuracy dropped sharply (23-50%) when training and test data came from different datasets, so generalization across datasets remains a challenge.
- Abstract(参考訳): 医療用植物は通常、実践者の経験から同定されるが、再現可能な画像ベースの方法は、この知識を補完することができる。
医薬用植物葉を写真から分類する統計機械学習手法であるMEDIPI(MEDIcinal Plant Identification)を提案する。
各葉のイメージから, 形状, テクスチャ, 色, および新しい診断カテゴリーをカバーする52の解釈可能な特徴を抽出した。
葉を3つのレベル階層(形状、縁型、種)で分類する。
また,スリランカ産31種の葉のイメージが1,099点のオープンRパッケージであるMedLEAもリリースした。
このデータセットでは、階層的および非階層的なアプローチと8つのアルゴリズムの比較において、階層的ランダムフォレスト(Random Forest)、XGBoost(XGBoost)、グラディエント・ブースティング(Gradient Boosting)、線形判別分析(Line discriminant analysis)、k-nearest neighbor(k-nearest neighbor)、サポートベクターマシン(Berctor Machine)、確率的ニューラルネットワーク(probabilistic Neural Network)、人工ニューラルネットワーク(Artificial Neural Network)の8つのアルゴリズムの比較において、階層的ランダムフォレスト(Random Forest)が最高の全体精度(100%)を達成した。
形状にテクスチャ, 色, 肉眼的特徴を加えると, 形状レベルの精度は90%から97%に向上した。
線形判別分析プロットは、訓練されたモデルが葉の形をどのように分離するかを示す。
トレーニングとテストデータが異なるデータセットから得られたデータに対して、精度が急落した(23~50%)ため、データセット間の一般化は依然として課題である。
関連論文リスト
- A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。
我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。
がんのステージングと生存予測の課題に強いパフォーマンスを示す。
論文 参考訳(メタデータ) (2025-03-14T20:15:04Z) - Local-to-Global Self-Supervised Representation Learning for Diabetic Retinopathy Grading [0.0]
本研究では,自己指導型学習と知識蒸留を用いた新しいハイブリッド学習モデルを提案する。
我々のアルゴリズムでは、自己教師型学習および知識蒸留モデルの中で初めて、テストデータセットがトレーニングデータセットよりも50%大きい。
類似の最先端モデルと比較すると,より高精度で効率的な表現空間が得られた。
論文 参考訳(メタデータ) (2024-10-01T15:19:16Z) - High-Throughput Phenotyping using Computer Vision and Machine Learning [0.0]
我々はオークリッジ国立研究所が提供した1,672枚のPopulus Trichocarpaの画像と白ラベルで治療を行った。
光文字認識(OCR)は、植物上でこれらのラベルを読むために用いられた。
機械学習モデルを用いて,これらの分類に基づいて処理を予測し,解析されたEXIFタグを用いて葉の大きさと表現型間の相関を見いだした。
論文 参考訳(メタデータ) (2024-07-08T19:46:31Z) - Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。
提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文 参考訳(メタデータ) (2022-12-14T06:04:18Z) - Plant Species Classification Using Transfer Learning by Pretrained
Classifier VGG-19 [1.933681537640272]
本稿では,スウェーデンの葉の色を分離し,植物種を同定する手法について述べる。
高い精度を達成するために、事前に訓練された分類器VGG-19の助けを借りて、伝達学習を用いてタスクを完了させる。
このモデルは15の木のクラスを含むスウェーデンの葉のデータセットの側面に関連する知識を取得し、99.70%の精度で未知の植物の適切なクラスを予測するのに役立つ。
論文 参考訳(メタデータ) (2022-09-07T11:28:50Z) - An Effective Leaf Recognition Using Convolutional Neural Networks Based
Features [1.137457877869062]
本稿では,葉の認識に有効な手法を提案する。
葉はいくつかの前処理を経て、精製された色画像、静脈像、xy投影ヒストグラム、手作りの形状、テクスチャの特徴、フーリエディスクリプタを抽出する。
これらの属性は、サポートベクターマシン(SVM)モデルを使用して異なる葉を分類する前に、ニューラルネットワークベースのエンコーダによってより良い表現に変換される。
論文 参考訳(メタデータ) (2021-08-04T02:02:22Z) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳(メタデータ) (2020-12-23T14:38:35Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳(メタデータ) (2020-11-24T01:53:39Z) - Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。
シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文 参考訳(メタデータ) (2020-05-18T21:57:47Z)
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。