ファイングレイン植物葉病分類のための注意機構拡張型軽量畳み込みフレームワーク

科学分野:

• コンピュータサイエンス
• 人工知能
• 機械学習

背景:

• CNNやTransformerなどのディープラーニングモデルは、画像分類に不可欠です。
• Transformerは目覚ましい精度を示していますが、多くの場合、かなりの計算リソースが必要です。
• リソースが制約されたデバイスに展開するための効率的なディープラーニングモデルの必要性があります。

研究 の 目的:

• Attentive and Lightweight Network（ALNet）という新しい軽量CNNモデルを提案すること。
• 植物葉病の高い分類精度を達成し、同時にモデルのパラメータ数とサイズを最小限に抑えること。
• 正確な病害予測モデルをクラウドプラットフォームおよびエッジデバイスに展開できるようにすること。

主な方法:

• ステム、コア、ヘッドブロックで構成されるカスタム軽量CNNアーキテクチャ（ALNet）を開発しました。
• コア分類子は、ResNet、SENet、EfficientNet、SqueezeNet、ShuffleNetなどの確立されたモデルに着想を得ました。
• ブドウ、リンゴ、サクランボのデータセットで5倍クロスバリデーションを使用してALNetを評価しました。

主要な成果:

• ALNetは、ブドウ分類で99.78％、二項分類で100％の精度を達成しました。
• リンゴの多クラス分類で99.95％、サクランボの二項分類で100％の精度を達成しました。
• ALNetは、わずか0.17百万パラメータしか使用せず、SqueezeNetよりも18倍小さく、151.98 MFLOPsを必要とし、エポックあたりのトレーニング速度は1.2〜2.2倍高速です。

結論:

• ALNetは、植物葉病予測において高い精度を示しています。
• モデルの軽量性とパラメータ数の削減により、エッジデバイスやクラウド展開に適しています。
• ALNetは、農業アプリケーションにおいて、パフォーマンスと効率性の間で説得力のあるバランスを提供します。