A deep learning approach for detection and localization of leaf anomalies

要約

作物の病気の可能性の検出と位置特定は、通常、教師あり深層学習アプローチに頼ることによって自動化されています。
この作業では、3 つの異なるタイプのオートエンコーダーを健康および不健康なコショウとサクランボの葉の画像の特定のオープンソース データセットに適用することにより、教師なしモデルでこれらの目標に取り組みます。
CAE、CVAE、および VQ-VAE オートエンコーダーは、このようなデータセットのラベルのない画像を選別するために展開され、画像の再構成、異常の除去、検出、およびローカリゼーションに関して比較されます。
ベクトル量子化された変分アーキテクチャは、これらすべてのターゲットに関して最高のパフォーマンスを発揮することが判明しました。

要約(オリジナル)

The detection and localization of possible diseases in crops are usually automated by resorting to supervised deep learning approaches. In this work, we tackle these goals with unsupervised models, by applying three different types of autoencoders to a specific open-source dataset of healthy and unhealthy pepper and cherry leaf images. CAE, CVAE and VQ-VAE autoencoders are deployed to screen unlabeled images of such a dataset, and compared in terms of image reconstruction, anomaly removal, detection and localization. The vector-quantized variational architecture turns out to be the best performing one with respect to all these targets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google