Towards Robust Plant Disease Diagnosis with Hard-sample Re-mining Strategy
원문 초록
With rich annotation information, object detection-based automated plant disease diagnosis systems (e.g., YOLO-based systems) often provide advantages over classification-based systems (e.g., EfficientNet-based), such as the ability to detect disease locations and superior classification performance. One drawback of these detection systems is dealing with unannotated healthy data with no real symptoms present. In practice, healthy plant data appear to be very similar to many disease data. Thus, those models often produce mis-detected boxes on healthy images. In addition, labeling new data for detection models is typically time-consuming. Hard-sample mining (HSM) is a common technique for re-training a model by using the mis-detected boxes as new training samples. However, blindly selecting an arbitrary amount of hard-sample for re-training will result in the degradation of diagnostic performance for other diseases due to the high similarity between disease and healthy data. In this paper, we propose a simple but effective training strategy called hard-sample re-mining (HSReM), which is designed to enhance the diagnostic performance of healthy data and simultaneously improve the performance of disease data by strategically selecting hard-sample training images at an appropriate level. Experiments based on two practical in-field eight-class cucumber and ten-class tomato datasets (42.7K and 35.6K images) show that our HSReM training strategy leads to a substantial improvement in the overall diagnostic performance on large-scale unseen data. Specifically, the object detection model trained using the HSReM strategy not only achieved superior results as compared to the classification-based state-of-the-art EfficientNetV2-Large model and the original object detection model, but also outperformed the model using the HSM strategy in multiple evaluation metrics.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
단독 확산강조 MRI를 이용한 ADC 전용 심층 학습 파이프라인의 유방암 검출 및 분할 평가
Evaluating ADC-only deep learning pipelines for breast cancer detection and segmentation using standalone diffusion-weighted MRI
동적 조영(dynamic contrast-enhanced, DCE) 영상은 자기공명영상(MRI)을 이용한 유방암 검출 및 특성 규명의 gold standard 기법이다. 그러나 DCE-MRI는 긴 촬영 시간과 혈류 내 조영제 투여가 필요하며, 이는 알레르기 반응을 유발할 수 있다. 대안으로 확산강조 MRI(DW-MRI)는 조영제가 필요 없고 촬영 시간이 더 짧으며, 종양 세포 밀도와 상관관계가 있는 겉보기 확산계수(ADC) 맵 계산을 가능하게 하는 유방 MRI의 표준 보조 기법이다. 그럼에도 이러한 기술적 이점에도 불구하고, 심층 학습 연구는 DCE 기반 모델에 집중해 왔고, DCE-MRI와의 병용이든 단독 대안이든 DW-MRI와 ADC 맵의 종양 검출 성능은 거의 탐구하지 않았다. 본 연구에서는 ADC 영상만을 사용한 유방암 검출 및 분할에 대해 다양한 최신(state-of-the-art) 심층 학습 기법의 적용을 평가한다. 우리가 아는 한, 이는 분류, 검출, 분할 과업을 위한 ADC 전용 유방암 파이프라인에 대한 최초의 포괄적 평가이다.
BronchoTop: RGB 전용 위상 국소화 기반 기관지경 내비게이션
BronchoTop: Bronchoscopy Navigation via RGB-Only Topological Localization
기관지 나무 내에서 기관지경의 정확한 위치 추정(localization)은 임상의가 목표 병변에 도달하고 생검을 수행하며, 진단 및 치료 시술 중 기도 분절을 잘못 식별하는 것을 피하는 데 필수적이다. 그러나 기존 내비게이션 시스템은 일반적으로 환자별 CT 스캔이나 추가 외부 센서에 의존하여 비용, 설정 시간, 환자의 방사선 노출을 증가시킨다. 본 연구는 환자별 데이터가 필요 없는 RGB 전용 실시간 위상 기관지경 국소화 프레임워크인 BronchoTop을 제present한다. BronchoTop은 네 개의 모듈—관강(lumen) 검출 및 추적, 관강-분지(branch) 라벨 연관, 확률적 스코프 위치 추정, 전환(switch) 검증—을 통해 일반적인 기도 모델 대비 스코프 위치를 추정한다. 표준 기관지경 비디오 입력만 사용함으로써 BronchoTop은 의사에게 실용적이고 실시간 내비게이션 보조를 제공한다. 팬텀, 시뮬레이션, 실제 데이터에 대한 평가는 최첨단 정확도를 보여 주며, 실제 기관지경 시퀀스에서 기존 접근법 성능을 20% 이상 개선한다. BronchoTop은 국소화 알고리즘과 사용된 모든 실제 데이터, 추가 시뮬레이션 생성 코드를 함께 공개한 최초의 프레임워크로, 후속 개발과 벤치마킹(benchmarking)을 장려하고 촉진한다. 결과는 BronchoTop이 임상 및 로봇 기관지경에서 시술 안전성, 효율성, 접근성을 향상시킬 잠재력을 보여 준다.
작물 병해충 진단을 위한 구성 가능한 다단계 비전 파이프라인
Configurable Multi-Stage Vision Pipeline for Crop Disease and Pest Diagnosis
FarmerChat는 Digital Green이 소규모 농가를 위해 제공하는 농업 자문 서비스이다. 작물에 이상이 있어 보이면 농민은 사진을 찍어 전송하며, 그 사진이 질문의 전부이다: 증상에 대한 설명도, 작물 이름도 없으며, 텍스트가 전혀 없는 경우도 많다. 이 서비스는 저가 휴대폰으로 야외에서, 조명이 열악하고 카메라가 흔들리는 상태에서 촬영된 이미지만으로 사진을 사용할 수 있는지, 어떤 작물이 찍혀 있는지, 무엇이 문제인지를 판단해야 한다. 현재 이를 수행하는 시스템은 조정이 불가능하다. 사진 거부를 위한 조정 가능한 임계값이 없고, 작물과 문제 항목을 추가할 수 없으며, 설정할 수 있는 신뢰도 컷오프도 없다. 우리는 에티오피아, 인도, 케냐, 나이지리아에서 FarmerChat로 전송된 약 116만 장의 사진을 연구한다. 프로덕션 품질 게이트는 판정한 이미지 중 46.8%를 거부했으며, 진단 단계에 도달한 이미지 중 4분의 1 이상이 작물 이름을 반환하지 못했고, "질병(disease)"으로 분류된 문제의 35.8%는 작물 정보 없이도 식별 가능한 병해충이었다. 이에 따라 우리는 작업을 품질 게이트(M0), 작물 검출기(M1), 질병/병해충 검출기(M2)의 세 단계로 분리하였다. 경로 A(Route A)는 세 단계 모두를 단일 파인튜닝된 비전-언어 모델(Qwen3-VL-4B)로 채워 한 번의 호출로 응답한다. 경로 B(Route B)는 각 단계를 소형 전문 모델(DaViT, YOLO26)로 채운다. 우리는 프로덕션 GPT-4o 품질 게이트를 12ms에 86.9% F1을 기록하는 소형 MobileNetV3 게이트로 대체하였다. 모든 시스템을 동일한 방식으로 채점한 하나의 테스트 세트에서, 계층적 DaViT-Base는 95.41%의 작물 정확도를 달성하여 프로덕션 기준선의 91.46%를 능가하였다. 또한 진단 성능에서도 앞서며 응답을 거부하는 경우가 전혀 없는 반면, 비교 대상인 모든 언어 모델은 상당 비율의 행에서 진단을 내리지 못했다. 파인튜닝된 모델은 전문 모델들이 갖지 못한 두 가지 기능을 유지한다: 세 단계 모두를 한 번의 호출로 처리하는 것, 그리고 이미지가 답변을 뒷받침할 수 없을 때 더 나은 사진을 요청하는 것이다.
QwenVLConnector: 세밀한 임상 지각과 텍스트 생성을 위한 빠르고 통합된 의료 VLM 챗봇
QwenVLConnector: A Fast, Unified Medical VLM Chatbot for Fine-Grained Clinical Perception and Text Generation
대부분의 의료 비전-언어 모델(VLM)은 개방형 보고서 생성과 VQA에는 뛰어나지만, 통합된 인터페이스 안에서 구조화된 세밀한 임상 지각을 지원하는 데는 한계가 있다. 본 논문은 QwenVLConnector를 제안한다. 이는 Qwen2.5-VL 기반 의료 챗봇으로, 분류, 다중 레이블 분류, 텍스트화된 검출, 계수, 회귀, 자유 형식 보고서 생성을 단일 next-token 목표 아래 하나로 통합한다. 핵심 구성요소는 경량의 밀집 다층 Connector로, 저수준·고수준 시각 특징을 집계하고 사전학습된 vision Merger를 통해 정렬한 뒤, 시퀀스 길이를 늘리지 않고 최종 시각 표현과 융합한다. 이 설계는 효율성을 유지하면서 시각 토큰을 상보적인 공간·의미 단서로 풍부하게 한다. FLARE-2D에서 QwenVLConnector는 검출 F1을 0.55에서 0.85로 개선하고, 단일 레이블 분류를 0.37에서 0.51로 높이며, Qwen2.5-VL 기준선 대비 보고서 생성 GREEN을 최대 18.3점 향상시킨다. 또한 보고서 생성을 위한 멀티모달 문맥 내 학습(ICL)을 탐구하여, 모델 매개변수를 갱신하지 않고도 추가 개선을 보였다. 전반적으로 QwenVLConnector는 구조화된 의료 지각과 개방형 임상 텍스트 생성을 결합하는 통합적이고 효율적인 프레임워크를 제공한다. 코드는 https://github.com/plnguyen2908/QwenConnector 에서 확인할 수 있다.
컴퓨터 비전과 불균형 인지 학습을 이용한 전염성 소 눈병 감지
Infectious Bovine Pinkeye Detection Using Computer Vision and Imbalance-Aware Learning
전염성 소 눈병은 가축의 건강, 복지, 농업 생산성에 악영향을 미치는 전염성 안구 질환이다. 기존 진단은 주로 임상 관찰에 의존하는데, 이는 주관적일 수 있고 시간이 많이 들며, 대규모 목장이나 원격 환경에서 효율적으로 시행하기 어렵다. 본 연구는 You Only Look Once(YOLO) v11과 YOLOv26을 평가·비교하여 소 눈병의 자동 분류를 수행하고, 클래스 균형화 전략이 모델 성능에 미치는 영향을 조사했다. 각 아키텍처의 다섯 가지 변형(n, s, m, l, x)을 원본 불균형 데이터셋, Random Minority Oversampling(RMO), 적응형 Synthetic Minority Oversampling Technique(SMOTE)을 사용하여 학습·평가했다. YOLOv11과 YOLOv26 모두 강한 분류 성능을 보였으나, 클래스 균형화의 효과는 모델 변형마다 달랐다. YOLOv11의 경우 RMO-s는 정확도 0.99, macro F1-score 0.98, true positive rate(TPR) 1.00을 달성했으며 false-negative 분류는 없었다. RMO-m 역시 TPR 1.00과 false negative가 없었다. YOLOv26의 경우 원본 l, RMO-m, RMO-l 변형 각각 정확도 0.99, macro F1-score 0.98을 달성했고, RMO-l은 TPR 1.00과 false negative가 없었다. 전반적으로 RMO는 적응형 SMOTE보다 소수 클래스 탐지에서 더 큰 개선을 주는 경우가 많았으며, 원본 YOLOv26-l의 우수한 성능은 모든 모델 변형에 오버샘플링이 필요하지 않음을 보여준다. 이러한 결과는 YOLOv11과 YOLOv26이 소 눈병 자동 감지에 잠재력이 있음을 보여 주며, 가축 건강 모니터링을 위한 추가 평가를 뒷받침한다.
BoneAgeTW2: Tanner-Whitehouse 2 방법, 심층 학습 및 분포 곡선을 활용한 자동 골격 성숙도 평가와 임상 보고서 생성
BoneAgeTW2: Automated Skeletal Maturation Assessment via the Tanner-Whitehouse 2 Method, Deep Learning, and Clinical Report Generation with Distribution Curves
본 논문은 BoneAgeTW2를 제시한다. BoneAgeTW2는 골격 성숙도 평가를 위한 Tanner-Whitehouse 2(TW2) 임상 프로토콜 전체를 end-to-end로 자동화하는 최초의 완전 오픈소스 시스템이다. 이 시스템은 방사선 영상에서 20개 TW2 수부 골을 정밀 탐지 및 위치 추정하기 위해 YOLOv8을 사용하고, 20개의 독립적인 분류 헤드를 갖춘 EfficientNet-B3 백본으로 각 골에 성숙 단계(A-I)를 동시에 할당한다. 이러한 예측 결과를 바탕으로 시스템은 20개 골 전체에 대한 대화형 가우시안 분포 곡선을 포함한 임상 PDF 보고서를 자동 생성하여, 인구 규범과 직접 비교할 수 있게 한다. 모델은 공개 RSNA Pediatric Bone Age Challenge 데이터셋(수부 방사선 영상 12,611건)으로 학습되며, 전역 골 연령 주석으로부터 골별 단계 레이블을 도출하는 의사 레이블링(pseudo-labeling) 전략을 사용한다. 전체 코드베이스는 https://github.com/jmmana/BoneAgeTW2 에서 공개적으로 이용 가능하다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.