論文の概要: FedXCrop: Privacy-Preserving Crop Disease Detection via Federated Learning with Post-Aggregation Explainability under Non-IID Farm Distributions
- arxiv url: http://arxiv.org/abs/2611.06221v1
- Date: Wed, 04 Nov 2026 09:30:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.043684
- Title: FedXCrop: Privacy-Preserving Crop Disease Detection via Federated Learning with Post-Aggregation Explainability under Non-IID Farm Distributions
- Title（参考訳）: FedXCrop:Federated Learningによるプライバシ保護作物病検出
- Abstract要約: ディープラーニングは、葉のベンチマーク画像から作物の病気を正確に分類することができるが、中央集権的な訓練では、農家が生データを共有する必要がある。
集約されたグローバルモデルの説明を定量的に評価するフェデレーション作物病分類パイプラインであるFedXCropについて述べる。
- 参考スコア（独自算出の注目度）: 2.092418999517207
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning can classify crop diseases accurately from benchmark leaf images, but centralized training requires farms to share raw data, and predictions without explanations offer limited support for treatment decisions. We present FedXCrop, a federated crop disease classification pipeline that quantitatively evaluates explanations of the aggregated global model. A MobileNetV2 model trained centrally on PlantVillage achieved 99.38% test accuracy (standard deviation 0.05 over three seeds) on a fixed test set of 5,428 images across 38 classes. Federated models initialized with ImageNet weights were trained for 30 rounds across five clients. FedAvg achieved 98.81% accuracy with identically distributed clients and 98.81%, 98.59%, and 97.78% under Dirichlet label skew (alpha = 1, 0.5, and 0.1, respectively). FedProx was not significantly different from FedAvg at any heterogeneity level (McNemar p > 0.3). Grad-CAM and SmoothGrad explanations were evaluated on 380 test images. Both attributed more energy to the leaf than chance (0.70-0.78 versus 0.60), while Grad-CAM maps from federated and centralized models showed Spearman correlations of 0.74-0.76. Agreement decreased as heterogeneity increased, lesion localization was only modestly above chance, and a model-randomization test indicated that SmoothGrad maps depended substantially on image structure rather than learned parameters. In this setting, label skew reduced federated accuracy by 0.6-1.6 percentage points relative to centralized training. FedAvg largely preserved Grad-CAM behavior, while FedProx provided no measurable benefit.
- Abstract（参考訳）: ディープラーニングは、葉のベンチマーク画像から作物の病気を正確に分類することができるが、中央集権的な訓練では、農家が生データを共有する必要がある。
集約されたグローバルモデルの説明を定量的に評価するフェデレーション作物病分類パイプラインであるFedXCropについて述べる。
プラントヴィレッジで中心的に訓練されたMobileNetV2モデルは、38クラスの5,428枚の画像の固定テストセットで99.38%のテスト精度(標準偏差0.05の3種)を達成した。
ImageNetで初期化されたフェデレーションモデルは、5つのクライアントで30ラウンドのトレーニングを受けた。
FedAvgは98.81%の精度を同じ分散クライアントで達成し、98.81%、98.59%、97.78%をディリクレ・ラベル・スキュー(それぞれ1,0.5、0.1)で達成した。
FedProxはFedAvgと異種度(McNemar p > 0.3。
380枚の画像からGrad-CAMとSmoothGradの説明を行った。
両者とも葉のエネルギーは0.70-0.78(0.60対0.70)であり、グラッド-CAMマップは0.74-0.76のスピアマン相関を示した。
一致は不均一性の増加とともに減少し, 病変の局在はわずかに上回っただけであり, モデルランダム化試験の結果, SmoothGradマップは学習パラメータよりも画像構造に大きく依存していた。
この設定では、ラベルスキューは集中トレーニングと比較して、フェデレーション精度を0.6～1.6ポイント削減した。
FedAvgはGrad-CAMの挙動をほとんど保存したが、FedProxは測定可能な利益を提供しなかった。
関連論文リスト
- CalibCause: A Quality-Gated, Interpretable and Calibrated Deep Learning Framework for Diabetic Retinopathy Grading [0.0]
CalibCauseは、熟練者ごとの視覚的説明、ラベルなしのイメージ品質条件付け、知識蒸留、Deferralによるキャリブレーションされた信頼を組み合わせる、エキスパートの混合フレームワークである。
我々は,EyePACS,DDR,APTOS 2019の51,310基の画像とIDRiD,DeepDRiDを用いて外部試験を行った。
論文 参考訳（メタデータ） (2026-10-28T19:09:36Z) - When Does Perturbation Consistency Add Information Beyond Softmax Confidence? Theory and Evidence for the Decision Consistency Framework [0.0]
摂動一貫性は、予測が小さな入力変化に耐えられるかどうかを判断する。
決定一貫性フレームワーク(Decision Consistency Framework)は、ラベル安定性(LS)と信頼性偏差(CD)を6つの軽度演算子で評価する。
これらのスコアがクリーンなソフトマックス出力に欠けている情報を持っているかどうかを問う。
論文 参考訳（メタデータ） (2026-10-27T04:59:27Z) - From Foundation Embeddings to Cropland Maps: Label Efficiency, Temporal Transferability and Independent Human Validation [0.45998296599540095]
地理空間基盤モデルは、下流マッピングをサポートする衛星画像の再利用可能な表現を提供する。
アメリカ合衆国メイン州において,AlphaEarthの年次埋没が二分栽培-無栽培マッピングをサポートするかを評価する。
論文 参考訳（メタデータ） (2026-09-15T13:04:35Z) - Decentralized Gossip Learning and Federated Averaging for Histopathology Image Classification [6.766475414507422]
本研究は, 完全分散型ゴシップ学習であるサーバベースフェデレート平均化(FedAvg)と, 浸潤性胆管癌に対するHybrid Gossip-FedAvgの比較を行った。
実験では、277,524のカラーイメージパッチと、患者分離トレーニング、検証、テストパーティション、ワークロードバランスの取れた6つのノード間のDirichlet誘導アロケーションを使用していた。
論文 参考訳（メタデータ） (2026-09-15T00:09:18Z) - Anatomical Grounding and Leakage-Aware Multimodal Contrastive Learning for Alzheimer's Disease Classification from Structural MRI [0.0]
アルツハイマー病の構造MRIで訓練されたディープネットワークは、解剖学的に無関係な領域に到達しながら、妥当な精度に達することが多い。
我々は解剖学的参照としてFastSurferセグメンテーションを使用します。
私たちは、CLIPスタイルのイメージに適応し、ラベルリードスペクトルに沿ってADNIMERGE変数を整理する。
論文 参考訳（メタデータ） (2026-09-14T17:13:12Z) - 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) - Uncertainty-inspired Open Set Learning for Retinal Anomaly
Identification [71.06194656633447]
9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。
しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。
UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
論文 参考訳（メタデータ） (2023-04-08T10:47:41Z) - Corneal endothelium assessment in specular microscopy images with Fuchs'
dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。
これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文 参考訳（メタデータ） (2022-10-13T15:34:20Z) - A CNN Approach to Simultaneously Count Plants and Detect Plantation-Rows
from UAV Imagery [56.10033255997329]
畳み込みニューラルネットワーク(CNN)を用いた新しい深層学習手法を提案する。
高度に乾燥したプランテーション構成を考慮した植物を数えながら、同時にプランテーション・ロウを検出し、配置する。
提案手法は、異なる種類の作物のUAV画像において、植物と植物をカウントおよびジオロケートするための最先端の性能を達成した。
論文 参考訳（メタデータ） (2020-12-31T18:51:17Z)
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。