A Lightweight Attentive CNN with Explainable AI for Crop-Weed Classification on CWD30

問題提起

精密農業において、除草剤の使用を最適化し環境負荷を軽減するためには、作物と雑草の正確な分類が不可欠である。しかし、実際の圃場条件下で自動認識システムを導入する際には、主に3つの課題に直面する：

1. 植物学的曖昧性： 特に成長初期段階において、作物と雑草の種の間には高いクラス間類似性が存在するため、形態学的な識別が困難である。
2. クラス不均衡： フィールドデータセットでは、支配的な種が希少な品種を大幅に上回る深刻な不均衡が生じることが多く、これがモデルの学習にバイアスをもたらす。
3. リソース制約： 深層学習モデル（例：ResNet, VGG）は高い精度を達成するが、その計算量とメモリ要件は、リソース制約のあるエッジデバイス（例：農業用ロボット、UAV、組み込みシステム）でのリアルタイム推論には不向きである。

既存の軽量モデルは、効率性の制約を満たすために識別能力を犠牲にすることが多く、標準的な畳み込み層は明示的なアテンションメカニズムの欠如により、微細な特徴を区別できないことが頻繁にある。さらに、多くのモデルは説明可能性を欠いており、農学者が自動化された決定を信頼することを困難にしている。

手法

著者らは、CWD30ベンチマークデータセット（10種の作物と20種の雑草で構成）のために設計された、軽量で2段階のアテンションを備えた畳み込みニューラルネットワーク（CNN）であるMobileNetV3-DualCBAMアーキテクチャを提案している。

1. アーキテクチャ設計：

• バックボーン： モデルは、ハードウェア認識型の設計と効率性を考慮して選定されたMobileNetV3-Largeを特徴抽出のバックボーンとして利用する。
• デュアルステージ・アテンション（CBAM）： 最終層にのみアテンションを適用する標準的な手法とは異なり、本研究では**Convolutional Block Attention Modules (CBAM)**を2つの異なるステージに統合している：
  • 中間ステージ（中レベル）： ステージ3（40チャンネルの特徴マップ）の後にCBAMを挿入する。これは、処理階層の早い段階で背景ノイズ（土壌、容器の縁など）を抑制し、ネットワークが深い意味的処理を行う前に、構造的およびテクスチャ的なパターン（葉の縁、葉脈など）に集中させることを目的としている。
  • 最終ステージ（高レベル）： 分類を行う直前のセマンティック表現を再調整するために、ステージ5（960チャンネルの特徴マップ）の後に2つ目のCBAMを挿入する。
• アブレーション： 本研究では、デュアルステージ・アプローチを、ベースラインのMobileNetV3、シングルステージのCBAMバリアント、EfficientNet-B0、およびGhostNetと比較検討している。

2. データハンドリングおよび学習戦略：

• データセットの前処理： CWD30データセット（元は219,770枚の画像）から、「Week-0」のラボ標本（土壌のみの画像）を除去するようにフィルタリングし、モデルが背景の容器によるアーティファクトを学習することを防いだ。最終的な訓練セットは174,126枚の画像で構成されている。
• クラス不均衡の緩和： 以下の3つの戦略を組み合わせた：
  • WeightedRandomSampler： バッチ形成時に希少なクラスをオーバーサンプリングする。
  • 損失の重み付け： ラベル平滑化（$\epsilon=0.1$）を用いたクラス重み付きクロスエントロピー損失を用い、マイノリティクラスのエラーに重いペナルティを与え、過剰な自信を防ぐ。
  • オーグメンテーション： MixUpやCutMixを含む積極的なオンライン・オーグメンテーションに加え、幾何学的変換（反転、回転、カラージッター）を行い、汎化性能を高める。
• 学習設定： モデルはPyTorchを用い、混合精度（AMP）、AdamWオプティマイザ、微分学習率（バックボーンには低く、新しいヘッドには高く）、およびウォームアップを伴うコサインアニーリングを使用して学習された。

3. 説明可能なAI (XAI)：
モデルが不適切な相関関係ではなく、生物学的に意味のある特徴に依存していることを確実にするため、著者らは2つの直交する説明可能性技術を採用した：

• Grad-CAM： 勾配重み付き活性化マップを可視化し、どの画像領域が予測を駆動しているかを示す。
• LIME (Local Interpretable Model-agnostic Explanations)： 分類に正の寄与をするスーパーピクセルを特定する。
  これらの手法は、モデルが背景要素ではなく、植物の構造（葉、茎、成長点）に焦点を当てていることを検証するために使用された。

主な貢献

1. デュアルステージ・カスケードCBAMアーキテクチャ： MobileNetV3-Large内の中間および最終的な特徴ステージへのCBAMの統合。アブレーション研究により、中間ステージのアテンションが支配的な性能向上をもたらし、階層的な特徴の精緻化を可能にすることが確認された。
2. 包括的なベンチマーキング： CWD30データセットにおける5つの軽量アーキテクチャの系統的な比較を行い、分類指標（Top-1/Top-3精度、マクロF1）と効率性指標（GFLOPs、レイテンシ、パラメータ数）の両方を評価した。
3. 統合された不均衡解決策： CWD30の深刻な不均衡に特化した、サンプリング、損失の重み付け、および合成オーグメンテーションを組み合わせた統一パイプライン。
4. 直交的な説明可能性による検証： Grad-CAMとLIMEの併用により、モデルの予測が植物の形態に基づいているという証拠を提供し、「ブラックボックス」問題に対処した。

実験結果

提案されたMobileNetV3-DualCBAMモデルは、CWD30テストセット（5ビューのTest-Time Augmentationを使用）において以下の結果を達成した：

• 精度： Top-1精度 96.68%、Top-3精度 98.97%。
• 効率性： 3.12百万パラメータ、0.43 GFLOPs、および推論レイテンシ 10.47 ms（87.2枚/秒）。
• 比較：
  • 著しく少ないパラメータ数と低い計算コストでありながら、EfficientNet-B0（精度 96.07%、4.05M パラメータ、0.78 GFLOPス）を上回った。
  • MobileNetV3 ベースライン（精度 93.18%）およびシングルCBAMバリアント（精度 95.45%）を上回り、中間アテンションステージの価値を実証した。
  • GhostNetは、最も低いGFLOPスでありながら最低の精度（約90%）となり、極端な圧縮が微細な識別能力を損なうことを示した。
• パレート最適性： 本モデルは精度対複雑性の空間においてパレート最適であると特定され、評価されたモデルの中で、高い精度と低い計算コストの間の最良のトレードオフを提供した。
• 説明可能性の知見： Grad-CAMとLIMEの可視化により、DualCBAMモデルが植物の葉や成長点に注意を集中させている一方で、ベースラインモデルは容器の縁や土壌などの背景要素にしばしば活性化していたことが確認された。

意義と主張

本論文は、MobileNetV3-DualCBAMアーキテクチャが、エッジデバイスにおけるリアルタイム精密農業に向けた重要な進歩であることを主張している。精度と効率性の間でパレート最適なバランスを実現することで、本モデルはさらなる構造的圧縮を必要とせずに、Jetson Nanoなどの組み込みシステムへの展開が可能である。

著者らは、デュアルステージ・アテンションメカニズムが、初期段階の作物と雑草の形態学的曖昧さを扱う上で極めて重要であり、意味的な分類の前に背景ノイズを効果的にフィルタリングしていることを強調している。さらに、説明可能なAIの統合は、単なる分析ツールとしてではなく、自動化された決定がデータセットのアーティファクトではなく、観察可能な植物の形質に基づいていることを保証し、農学者との信頼を築くための必須要素として提示されている。

本研究は、アンサンブル手法がわずかな精度向上をもたらす可能性があるものの、提案された単一モデルのアプローチが、困難な30クラスの作物・雑草分類タスクに対して、堅牢で効率的かつ解釈可能なソリューションを提供すると結論付けている。今後の展望として、Vision Transformer、マルチスペクトルデータの融合、およびクロスデータセットの汎化に関する探索が示唆されている。