식물 잎 질병 분류를 위한 적응형 소프트 라우팅 기반의 교차 아키텍처 Mixture-of-Experts

원문 발행 2026. 06. 22. 23:58원문 언어 영어AI 한국어 번역arXiv cs.AI 원문 보기

요약

식물 잎 질병 분류를 위해 EfficientNet, DenseNet, Swin-Tiny를 결합한 적응형 소프트 MoE 프레임워크를 제안합니다. 소프트 게이팅과 2단계 정제 학습을 통해 국소 및 전역 특징을 효과적으로 포착하며, 다양한 데이터셋에서 높은 성능을 입증했습니다.

핵심 포인트

EfficientNet, DenseNet, Swin-Tiny를 통합한 교차 아키텍처 MoE 제안
소프트 게이팅 메커니즘을 통한 입력 의존적 전문가 가중치 동적 할당
2단계 정제 학습 전략으로 최적화 안정성 및 일반화 성능 향상
감자 잎 질병 데이터셋에서 F1-score 92.62% 달성
다양한 작물 데이터셋에 대한 강력한 일반화 성능 입증

식물 잎 질병 분류 (Plant leaf disease classification)는 작물 보호 및 정밀 농업 (precision agriculture)에 있어 매우 중요하지만, 복잡한 배경, 조명 변화, 그리고 심각한 클래스 불균형 (class imbalance) 하에서는 여전히 어려운 과제로 남아 있습니다. 더욱이, 단일 아키텍처 모델은 국소적 (local) 표현과 전역적 (global) 표현을 모두 효과적으로 포착하는 데 종종 실패합니다. 이러한 과제를 해결하기 위해, 본 연구는 EfficientNet-B0, DenseNet-121, 그리고 Swin-Tiny를 통합하여 상호 보완적인 다중 스케일 (multi-scale), 국소적 및 전역적 특징을 활용하는 교차 아키텍처 라우팅 (cross-architectural routing)을 갖춘 적응형 소프트 Mixture-of-Experts (MoE) 프레임워크를 제안합니다. 소프트 게이팅 (soft gating) 메커니즘은 입력 의존적인 전문가 가중치 (expert weights)를 동적으로 할당하며, 2단계 정제 학습 (two-stage refinement training) 전략은 최적화 안정성과 일반화 성능을 향상시킵니다. 불균형이 심한 감자 잎 질병 데이터셋에 대한 실험 결과, 91.68%의 재현율 (recall)과 92.62%의 F1-score를 달성하였으며, 이는 가장 강력한 개별 전문가 모델보다 각각 5.91%와 5.03% 더 높은 수치입니다. 두리안 및 참깨 잎 질병 데이터셋에 대한 추가 평가에서도 94.03%와 97.04%의 F1-score를 기록하여, 강력한 교차 데이터셋 일반화 성능과 신뢰할 수 있는 실세계 작물 건강 모니터링을 위한 제안된 프레임워크의 잠재력을 입증하였습니다.

AI 자동 생성 콘텐츠

원문 바로가기

식물 잎 질병 분류를 위한 적응형 소프트 라우팅 기반의 교차 아키텍처 Mixture-of-Experts

요약

핵심 포인트

댓글