[論文レビュー] Siamese Network-based Lightweight Framework for Tomato Leaf Disease Recognition

Selvarajah Thuseethan, Palanisamy Vigneshwaran+2 more|arXiv (Cornell University)|Sep 18, 2022

Smart Agriculture and AI被引用数 8

ひとこと要約

本稿では、小さな不均衡な訓練データでも動作する、トマトの葉病害識別を目的としたシアンプスネットワークベースの軽量フレームワークを提案する。PlantVillageデータセットでは96.97%、台湾データセットでは95.48%の精度を達成した。296万パラメータの新規軽量バックボーンと対照的損失関数を活用することで、リソース制約のあるデバイス上でも高精度でリアルタイム推論が可能である。

ABSTRACT

Automatic tomato disease recognition from leaf images is vital to avoid crop losses by applying control measures on time. Even though recent deep learning-based tomato disease recognition methods with classical training procedures showed promising recognition results, they demand large labelled data and involve expensive training. The traditional deep learning models proposed for tomato disease recognition also consume high memory and storage because of a high number of parameters. While lightweight networks overcome some of these issues to a certain extent, they continue to show low performance and struggle to handle imbalanced data. In this paper, a novel Siamese network-based lightweight framework is proposed for automatic tomato leaf disease recognition. This framework achieves the highest accuracy of 96.97% on the tomato subset obtained from the PlantVillage dataset and 95.48% on the Taiwan tomato leaf disease dataset. Experimental results further confirm that the proposed framework is effective with imbalanced and small data. The backbone deep network integrated with this framework is lightweight with approximately 2.9629 million trainable parameters, which is way lower than existing lightweight deep networks.

研究の動機と目的

• 訓練データが小さく不均衡な状況下でも低性能となるトマト病害識別課題に対処すること。
• モバイルおよびエッジデバイスへのデプロイに適した、モデルの複雑さと計算コストを低減すること。
• 既存の軽量ネットワークが不均衡データや小さなデータセットで性能を発揮できないという制限を克服すること。
• 多数決による投票を用いた新規テスト手順の開発により、シアンプスネットワーク推論における識別精度を向上させること。
• エンドツーエンドで学習可能で、効率的かつ高精度なトマト病害識別フレームワークを構築し、実世界の農業応用に適したものとする。

提案手法

• 同じ構造の2つのストリームを共有重みで接続したシアンプスネットワークアーキテクチャを設計し、2枚のトマトの葉画像ペアを比較する。
• トレーニング可能なパラメータがたった296万2900個の新規軽量ディープニューラルネットワークをバックボーンとして統合する。
• 類似画像の埋め込み間のユークリッド距離を最小化し、不似の画像同士の距離を最大化する対照的損失関数を用いてフレームワークを学習する。
• 不均衡なデータセットでの性能向上を図るため、データオーグメンテーションおよびクラスの再バランス技術を適用する。
• 複数の画像ペアを用いた多数決による投票を実施する専用のテストフェーズを実装し、予測の信頼性と精度を向上させる。
• さまざまなデータ分割（100%、75%、50%）の下で、PlantVillage、台湾、拡張台湾の3つのベンチマークデータセット上でフレームワークを評価する。

実験結果

リサーチクエスチョン

• RQ1 小さな不均衡な訓練データセットを用いた場合でも、シアンプスネットワークベースのフレームワークが高精度なトマト病害識別を達成できるか？
• RQ2 提案された軽量バックボーンは、既存の最先端ネットワークと比較して、パラメータ効率性と性能の点で優れているか？
• RQ3 対照的損失関数と多数決投票によるテスト手順は、標準的な学習および推論と比較して、どの程度識別精度を向上させるか？
• RQ4 限られた計算リソース環境下での実世界のデプロイシナリオにおいて、このフレームワークはどの程度効果的か？
• RQ5 精度、パラメータ数、データ不足に対するロバストネスの観点から、既存手法を上回っているか？

主な発見

• 提案されたフレームワークは、PlantVillageデータセットで96.97%、台湾データセットで95.48%の精度を達成したが、訓練データの50%しか使用しなかった。
• 50%のデータを使用した場合、PlantVillage、台湾、拡張台湾データセットにおいて、最良のベースライン手法と比較してそれぞれ13.16%、25.33%、14.05%の精度向上を達成した。
• バックボーンネットワークのトレーニング可能なパラメータはたった296万2900個であり、VGG19（1億4367万）やMobileNetV2（350万）と比べて顕著に少ないため、効率的なデプロイが可能である。
• すべてのデータ分割において既存手法を上回り、データ不足やクラス不均衡に対する優れたロバストネスを示した。
• 多数決投票によるテスト手順により、複数の画像ペア比較における予測の安定性が向上し、識別精度が向上した。
• 台湾データセットで50%のデータを使用した場合の精度91.03%は、低データ環境下での有効性を示しており、実世界の農業応用にとって極めて重要である。