論文の概要: Towards detection and classification of microscopic foraminifera using transfer learning

• arxiv url: http://arxiv.org/abs/2001.04782v1
• Date: Tue, 14 Jan 2020 13:57:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 11:47:39.036186
• Title: Towards detection and classification of microscopic foraminifera using transfer learning
• Title（参考訳）: トランスファーラーニングを用いた微視的有孔虫の検出と分類
• Authors: Thomas Haugland Johansen and Steffen Aagaard S{\o}rensen
• Abstract要約: ミクロ化石の分類と数え方は海洋学と気候学において重要なツールである。 微視的フォアミニフェラの検出と分類が可能な深層学習モデルの開発に向けた第一歩が提案されている。 バレンツ海地域の微視的フォアミニフェラと堆積物からなる新しい画像データセットが導入された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foraminifera are single-celled marine organisms, which may have a planktic or benthic lifestyle. During their life cycle they construct shells consisting of one or more chambers, and these shells remain as fossils in marine sediments. Classifying and counting these fossils have become an important tool in e.g. oceanography and climatology. Currently the process of identifying and counting microfossils is performed manually using a microscope and is very time consuming. Developing methods to automate this process is therefore considered important across a range of research fields. The first steps towards developing a deep learning model that can detect and classify microscopic foraminifera are proposed. The proposed model is based on a VGG16 model that has been pretrained on the ImageNet dataset, and adapted to the foraminifera task using transfer learning. Additionally, a novel image dataset consisting of microscopic foraminifera and sediments from the Barents Sea region is introduced.
• Abstract（参考訳）: フォアミニフェラ(Foraminifera)は単細胞海洋生物で、プランクティックまたはベント的な生活様式を持つ。 そのライフサイクルの間、彼らは1つ以上の室からなる貝殻を構築し、これらの貝殻は海底堆積物の化石として残っている。 これらの化石の分類と分類は、例えば海洋学や気候学において重要な道具となっている。 現在、顕微鏡を用いてマイクロフォスシルを識別・計数するプロセスが手作業で行われており、非常に時間がかかる。 このプロセスを自動化する手法の開発は、様々な研究分野において重要であると考えられている。 微視的有孔虫の検出と分類が可能な深層学習モデルを開発するための第一歩を提案する。 提案モデルはimagenetデータセットで事前トレーニングされたvgg16モデルに基づいており、転送学習を用いてforaminiferaタスクに適応している。 また,バレンツ海地域の微視的有孔虫および堆積物からなる新しい画像データセットも導入した。

関連論文リスト

• Fast spline detection in high density microscopy data [0.0]
  多生物系の顕微鏡的研究において、衝突と重なりの問題は依然として困難である。 そこで,本研究では,一般的なモチーフと重なり合うスプラインの正確な形状軌跡を抽出する,エンドツーエンドの深層学習手法を開発した。 線虫Caenorhabditis elegansの密集実験における使用性の設定と実証を行った。
  論文  参考訳（メタデータ） (2023-01-11T13:40:05Z)
• Application of the YOLOv5 Model for the Detection of Microobjects in the Marine Environment [101.18253437732933]
  海洋環境における微小物体の自動検出と認識の問題を解決するためのYOLOV5機械学習モデルの有効性について検討した。
  論文  参考訳（メタデータ） (2022-11-28T10:58:50Z)
• Vision meets algae: A novel way for microalgae recognization and health monitor [6.731844884087066]
  このデータセットは、異なる状態の藻属と同じ属の異なる状態の画像を含む。 このデータセット上で、TOOD、YOLOv5、YOLOv8およびRCNNアルゴリズムの変種をトレーニング、検証、テストしました。 その結果,1段階と2段階の物体検出モデルの両方で平均精度が向上した。
  論文  参考訳（メタデータ） (2022-11-14T17:11:15Z)
• Learning multi-scale functional representations of proteins from single-cell microscopy data [77.34726150561087]
  局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。 また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-24T00:00:07Z)
• Instance Segmentation of Microscopic Foraminifera [0.0629976670819788]
  本稿では, 深層学習に基づくインスタンス分割モデルを用いて, 微視的フォアミニフェラの分類, 検出, セグメンテーションを行う。 本モデルは,COCO検出データセットから得られたモデル重みパラメータを用いて,Mask R-CNNアーキテクチャに基づく。
  論文  参考訳（メタデータ） (2021-05-15T10:46:22Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• A Dataset and Benchmark for Malaria Life-Cycle Classification in Thin Blood Smear Images [7.113350536579545]
  マラリア顕微鏡、寄生虫Plasmodiumを検出するステンド血液スライドの顕微鏡検査は、マラリアを検出するための金標準であると考えられています。 本研究では,染色フィルム写真中のプラスモジウム寄生虫を自動的に検出(局在化)する深層学習に基づく手法を提案する。 機械学習に基づくマラリア顕微鏡の研究を容易にするために,新しい大規模顕微鏡画像マラリアデータセットを提案する。
  論文  参考訳（メタデータ） (2021-02-17T11:44:52Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Automatic identification of fossils and abiotic grains during carbonate microfacies analysis using deep convolutional neural networks [1.520387509697271]
  堆積物環境の解釈や古生態学的復元には, 薄片の微細構造同定に基づく岩石学的解析が広く用いられている。 骨格の断片の形態学的および微細構造的多様性を識別するには、微生物の化石形態の広範な事前知識が必要である。
  論文  参考訳（メタデータ） (2020-09-24T00:58:48Z)
• Deep learning for lithological classification of carbonate rock micro-CT images [52.77024349608834]
  本研究は,ブラジルのプリサルト炭酸塩岩微視的画像のパターン同定にディープラーニング技術を適用することを目的としている。 4つの畳み込みニューラルネットワークモデルが提案された。 精度によると、リサイズ画像で訓練されたモデル2は、最初の評価アプローチでは平均75.54%、2番目の評価では平均81.33%に達した。
  論文  参考訳（メタデータ） (2020-07-30T19:14:00Z)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。