Angular-Compactness Dual Loss Learningによる微細な稲葉疾患検出の改善

arXiv cs.CV / 2026/3/27

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、植物病理データセットにおけるクラス内分散の高さとクラス間類似性に起因する、微細粒度の稲葉疾患分類の難しさに取り組む。
Center LossとArcFace Lossを組み合わせたAngular-Compactness Dual Lossフレームワークを提案し、弁別的な特徴埋め込みを強化する。
本手法は公開されているRice Leaf Datasetを用いて、3つのSOTAバックボーン（InceptionNetV3、DenseNet201、EfficientNetB0）で評価される。
報告されている精度は非常に高く（99.6%、99.2%、99.2%）、角度マージンと中心ベースの制約が分類性能を向上させることを示している。
著者らは、この方法が大きなアーキテクチャ変更なしで改善を達成できると強調しており、実際の農業環境での実用的な導入を後押しする。

Abstract

イネの葉の病害を早期に検出することは重要です。なぜなら、イネは主要作物であり、世界人口の相当の割合を支えるからです。これらの病害を適時に特定できれば、より効果的な介入が可能となり、大規模な作物被害のリスクを大幅に低減できます。しかし従来の深層学習モデルは主に交差エントロピー損失に依存しており、植物病理データセットでよく見られる高いクラス内分散やクラス間類似性の問題にしばしば対処しきれません。そこで本研究では、イネの葉の病害のきめ細かな分類を強化するために、Center Loss と ArcFace Loss を組み合わせたデュアルロスの枠組みを提案します。本手法は、公的な Rice Leaf Dataset で訓練した最先端の3つのバックボーン・アーキテクチャ、すなわち InceptionNetV3、DenseNet201、EfficientNetB0 に適用されます。提案手法は大きな性能向上を達成し、それぞれの精度は 99.6%、99.2%、99.2% です。その結果は、角度マージンに基づく制約とセンターに基づく制約が、特徴埋め込みの弁別力を大きく高めることを示しています。特に、この枠組みは大規模なアーキテクチャ改修を必要としないため、農業環境での実運用において効率的で実用的です。