文献

J-GLOBAL ID：202102279363213635   整理番号：21A0196029

注意機構に基づく作物病害のための細粒度画像分類【JST・京大機械翻訳】

Fine-Grained Image Classification for Crop Disease Based on Attention Mechanism

著者 (8件)： Yang Guofeng (College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou, China) ,  Yang Guofeng (Agricultural Information Institute, Chinese Academy of Agricultural Sciences, Beijing, China) ,  Yang Guofeng (Key Laboratory of Agricultural Big Data, Ministry of Agriculture and Rural Affairs, Beijing, China) ,  He Yong (College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou, China) ,  Yang Yong (Agricultural Information Institute, Chinese Academy of Agricultural Sciences, Beijing, China) ,  Yang Yong (Key Laboratory of Agricultural Big Data, Ministry of Agriculture and Rural Affairs, Beijing, China) ,  Xu Beibei (Agricultural Information Institute, Chinese Academy of Agricultural Sciences, Beijing, China) ,  Xu Beibei (Key Laboratory of Agricultural Big Data, Ministry of Agriculture and Rural Affairs, Beijing, China)
資料名： Frontiers in Plant Science (Web)  (Frontiers in Plant Science (Web))
巻： 11  ページ： 600854  発行年： 2020年 
JST資料番号： U7094A  ISSN： 1664-462X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 細粒画像分類は判別特徴の同定の困難さのために困難なタスクであり,オブジェクトを完全に表現する微妙な特徴を見つけるのは容易ではない。穀物病の細粒分類において,光,霧,重複,およびジッタのような視覚障害がしばしば遭遇する。分類結果に及ぼす作物葉画像の特徴の影響を探究するために,分類モデルは,複雑な場面におけるモデルの分類精度を改善しながら,画像のより識別的な領域に焦点を合わせるべきである。本論文では,画像の情報領域を効果的に活用する新しい注意メカニズムを提案し,この注意機構に基づいて,作物病害のいくつかの微細粒画像分類モデルを迅速に構築するための転送学習の利用について述べた。本研究は14の異なる作物と37の異なる健康/疾病作物を含むデータセットとして58,200の作物葉画像を用いた。それらの間で,同じ作物の種々の疾患は,強い類似性を持つ。提案した注意機構に基づくNASNetLarge細粒分類モデルは,最大93.05%のF_1スコアで,最良の分類効果を達成した。結果は,提案した注意機構が作物病害画像の細粒分類を効果的に改善することを示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習 ,  穀類 ,  *農作物 ,  ジッタ ,  類似性
準シソーラス用語： *画像分類 ,  分類精度 ,  視覚障害 ,  分類モデル ,  病害 , 【Automatic Indexing@JST】

著者キーワード (5件)： 作物病害 ,  細粒度 ,  画像分類 ,  注意機構 ,  微調整

分類 (1件)： 図形・画像処理一般  (JE04010I)

引用文献 (54件)：

• BarbedoJ. G. A. (2018). Impact of dataset size and variety on the effectiveness of deep learning and transfer learning for plant disease classification. Comput. Electron. Agric. 153, 46-53. doi: 10.1016/j.compag.2018.08.013
• BarmanU.ChoudhuryR. D.SahuD.BarmanG. G. (2020). Comparison of convolution neural networks for smartphone image based real time classification of citrus leaf disease. Comput. Electron. Agric. 177:105661. doi: 10.1016/j.compag.2020.105661
• BoulentJ.FoucherS.ThéauJ.St-CharlesP.-L. (2019). Convolutional neural networks for the automatic identification of plant diseases. Front. Plant Sci. 10:941. doi: 10.3389/fpls.2019.0094131396250
• ChenH.LiY. (2019). Three-stream attention-aware network for RGB-D salient object detection. IEEE Trans. Image Process. 28, 2825-2835. doi: 10.1109/TIP.2019.289110430624216
• ChenY.BaiY.ZhangW.MeiT. (2019). “Destruction and construction learning for fine-grained image recognition,” in Computer Vision and Pattern Recognition (CVPR) (Long Beach, CA: IEEE), 5152-5161. doi: 10.1109/CVPR.2019.00530

タイトルに関連する用語 (5件)： 注意 ,  作物 ,  病害 ,  細粒度 ,  画像分類