[論文レビュー] Improved lightweight identification of agricultural diseases based on MobileNetV3

Yuhang Jiang, Wenping Tong|arXiv (Cornell University)|Jul 19, 2022

Smart Agriculture and AI被引用数 5

ひとこと要約

本稿では、座標注意ブロックを統合することで、農業病害虫同定に向けたより軽量なMobileNetV3ベースのモデルを提案する。大規模バージョンでは、モデルパラメータを最大23.4%削減し、精度を0.92%向上させた。小規模バージョンでは、Jetson Nano上で2.48%の精度向上と7.5%の高速化を達成し、エッジデバイスへの効率的なデプロイを可能にした。

ABSTRACT

At present, the identification of agricultural pests and diseases has the problem that the model is not lightweight enough and difficult to apply. Based on MobileNetV3, this paper introduces the Coordinate Attention block. The parameters of MobileNetV3-large are reduced by 22%, the model size is reduced by 19.7%, and the accuracy is improved by 0.92%. The parameters of MobileNetV3-small are reduced by 23.4%, the model size is reduced by 18.3%, and the accuracy is increased by 0.40%. In addition, the improved MobileNetV3-small was migrated to Jetson Nano for testing. The accuracy increased by 2.48% to 98.31%, and the inference speed increased by 7.5%. It provides a reference for deploying the agricultural pest identification model to embedded devices.

研究の動機と目的

• 農業病害虫同定システムにおけるモデルサイズの重さとデプロイ性の低さという課題に対処すること。
• 分類精度を維持または向上させながら、MobileNetV3の計算およびメモリ使用量を低減すること。
• リソース制限のある組み込みデバイス（例：Jetson Nano）への病害虫検出モデルの効率的デプロイを可能にすること。
• 農業画像データに特化した注意メカニズムを用いて、畳み込みネットワークの特徴表現を強化すること。

提案手法

• 座標注意ブロックをMobileNetV3に統合し、計算コストを低減しつつ空間的特徴モデリングを向上させること。
• 座標注意メカニズムを適用して特徴マップ内の関連する空間的位置に注目を集中させ、注目効率を向上させること。
• 新規の注目モジュールを備えたMobileNetV3-smallおよびMobileNetV3-largeバージョンを、農業病害虫データセット上で微調整すること。
• モデルの量子化とJetson Nanoへのデプロイを実施し、実世界のエッジ環境における推論速度と精度を評価すること。
• 限定的な農業画像データセットにおける一般化性能の向上を図るため、トランスファー学習とデータオーグメンテーションを用いること。

実験結果

リサーチクエスチョン

• RQ1 MobileNetV3に座標注意を統合することで、農業病害虫分類において精度を損なわずにモデルパラメータとサイズを削減できるか？
• RQ2 Jetson Nanoなどのエッジデバイスにデプロイされた際、改善されたMobileNetV3モデルの推論速度と精度はどのように変化するか？
• RQ3 座標注意ブロックは、標準的な畳み込み層と比較して、農業病害虫画像における特徴表現をどの程度向上させるか？
• RQ4 小規模および大規模なMobileNetV3バージョンに本手法を適用した際、モデル効率と精度のトレードオフはどのようなものか？

主な発見

• 改善されたMobileNetV3-largeモデルは、パラメータを22%削減し、モデルサイズを19.7%削減した。精度は0.92%向上した。
• 改善されたMobileNetV3-smallモデルは、パラメータを23.4%削減し、モデルサイズを18.3%削減した。精度は0.40%向上した。
• Jetson Nanoにデプロイされた改善されたMobileNetV3-smallモデルは、98.31%の精度を達成し、ベースライン比で2.48%向上した。
• 最適化後、Jetson Nanoにおける推論速度は7.5%向上し、リアルタイム性能の向上が確認された。