Enhanced Classification of Sugarcane Diseases Through a Modified Learning Rate Policy in Deep Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Motivated by the agriculture-centric economy of India, and specifically the challenges experienced in the sugarcane sector due to reduced yields from diseases including rust, red rot, yellow leaf, and mosaic, this study aims to harness effective deep-learning technologies for improved plant disease monitoring.The challenge of mitigating over-fitting, particularly when dealing with small datasets, is addressed through hyper-parameter tuning.In this study, we introduce an innovative modification to the learning rate decay policy, tested on a uniquely constructed small-sized database of sugarcane leaf images.This database encompasses five classes: healthy, rust, red rot, yellow leaf, and mosaic.To evaluate the effectiveness of the proposed learning rate policy, it was compared against multiple benchmark datasets and found to surpass established methods in performance metrics.This study introduces an additional exponential component into the learning rate policy to facilitate model convergence within the same number of epochs, thereby enhancing its performance over step, exponential, cosine, and exponential sine methods.A marginal improvement in scores was observed with the integration of the proposed learning rate policy and MobileNet-V2 as the backbone architecture.Remarkably, the MNIST dataset achieved a score of 99.9%, CIFAR-10 scored 92%, and the newly introduced database secured a score of 89%.These results underscore the efficacy of the proposed approach in enhancing the classification of sugarcane diseases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle