Efficient Leaf Disease Classification and Segmentation using Midpoint Normalization Technique and Attention Mechanism

要約

葉の画像からの植物疾患の検出の強化は、標識データが不足していることと複雑な文脈的要因により、持続的な課題のままです。
インテリジェントな画像前処理のための変換2段階の方法論、ミッドポイント正規化（MPN）を紹介し、特徴表現を動的に再調整する洗練された注意メカニズムと相まっています。
MPNをスクイーズアンドエクスケーション（SE）ブロックと統合する分類パイプラインは、並外れたクラスごとのバランスを維持しながら、顕著な93％の精度を実現します。
ターゲットクラスで達成された完全なF1スコアは、適応機能の改良における注意のパワーを例示しています。
セグメンテーションタスクでは、MPN強化入力を使用してU-Netアーキテクチャ内の同一の注意ブロックをシームレスに統合し、72.44％のDICEスコアと58.54％IOUで魅力的なパフォーマンスゲインを提供し、ベースラインの実装を大幅に上回ります。
優れた精度メトリックを超えて、当社のアプローチは、実際のコンピュータービジョンアプリケーションに完全に適した計算効率の良い軽量アーキテクチャを生成します。

要約(オリジナル)

Enhancing plant disease detection from leaf imagery remains a persistent challenge due to scarce labeled data and complex contextual factors. We introduce a transformative two-stage methodology, Mid Point Normalization (MPN) for intelligent image preprocessing, coupled with sophisticated attention mechanisms that dynamically recalibrate feature representations. Our classification pipeline, merging MPN with Squeeze-and-Excitation (SE) blocks, achieves remarkable 93% accuracy while maintaining exceptional class-wise balance. The perfect F1 score attained for our target class exemplifies attention’s power in adaptive feature refinement. For segmentation tasks, we seamlessly integrate identical attention blocks within U-Net architecture using MPN-enhanced inputs, delivering compelling performance gains with 72.44% Dice score and 58.54% IoU, substantially outperforming baseline implementations. Beyond superior accuracy metrics, our approach yields computationally efficient, lightweight architectures perfectly suited for real-world computer vision applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google