Fugu-MT 論文翻訳(概要): Workshop Report: Detection and Classification in Marine Bioacoustics with Deep Learning

論文の概要: Workshop Report: Detection and Classification in Marine Bioacoustics with Deep Learning

arxiv url: http://arxiv.org/abs/2002.08249v1
Date: Tue, 18 Feb 2020 15:33:06 GMT
ステータス: 処理完了
システム内更新日: 2022-12-30 20:52:09.810942
Title: Workshop Report: Detection and Classification in Marine Bioacoustics with Deep Learning
Title（参考訳）: 深層学習による海洋生物音響学の検出と分類
Authors: Fabio Frazao, Bruno Padovese, Oliver S. Kirsebom
Abstract要約: カナダのビクトリア州に約30人の研究者が集まり、「深層学習による海洋生物音響学の検知と分類」のワークショップを開催した。このワークショップには、海洋生物学者、データ科学者、およびカナダ沿岸および米国から来たコンピュータ科学者が参加した。
参考スコア（独自算出の注目度）: 0.618778092044887
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: On 21-22 November 2019, about 30 researchers gathered in Victoria, BC, Canada, for the workshop "Detection and Classification in Marine Bioacoustics with Deep Learning" organized by MERIDIAN and hosted by Ocean Networks Canada. The workshop was attended by marine biologists, data scientists, and computer scientists coming from both Canadian coasts and the US and representing a wide spectrum of research organizations including universities, government (Fisheries and Oceans Canada, National Oceanic and Atmospheric Administration), industry (JASCO Applied Sciences, Google, Axiom Data Science), and non-for-profits (Orcasound, OrcaLab). Consisting of a mix of oral presentations, open discussion sessions, and hands-on tutorials, the workshop program offered a rare opportunity for specialists from distinctly different domains to engage in conversation about deep learning and its promising potential for the development of detection and classification algorithms in underwater acoustics. In this workshop report, we summarize key points from the presentations and discussion sessions.
Abstract（参考訳）: 2019年11月21～22日、約30人の研究者がカナダのビクトリアに集まり、MERIDIANが主催し、Ocean Networks Canadaが主催するワークショップ「Detection and Classification in Marine Bioacoustics with Deep Learning」を開催した。ワークショップには、カナダ沿岸と米国からやってきた海洋生物学者、データ科学者、コンピュータ科学者が参加し、大学、政府(魚と海洋、国立海洋大気管理局)、産業(ジャスコ応用科学、google、axiomデータサイエンス)、非営利団体(orcasound、orcalab)など幅広い研究機関が参加した。ワークショッププログラムは、口頭でのプレゼンテーション、オープンディスカッションセッション、ハンズオンチュートリアルの混合で構成されており、異なる分野の専門家が深層学習と水中音響における検出と分類アルゴリズムの開発に有望な可能性について会話する機会を提供している。本ワークショップ報告では,プレゼンテーションとディスカッションセッションの要点を要約する。

関連論文リスト

WhaleNet: a Novel Deep Learning Architecture for Marine Mammals Vocalizations on Watkins Marine Mammal Sound Database [49.1574468325115]
textbfWhaleNet (Wavelet Highly Adaptive Learning Ensemble Network) は海洋哺乳動物の発声を分類するための高度な深層アンサンブルアーキテクチャである。既存のアーキテクチャよりも8-10%の精度で分類精度を向上し、分類精度は9,7.61%である。
論文参考訳（メタデータ） (2024-02-20T11:36:23Z)
OceanGPT: A Large Language Model for Ocean Science Tasks [37.053614694078014]
我々は,海洋科学の課題に精通した,海洋領域における最初の大規模言語モデルであるOceanGPTを紹介した。また,大量の海洋ドメイン命令データを自動的に取得する新しいフレームワークであるOceanGPTを提案する。海洋域におけるLLMの能力を評価するため,最初の海洋学ベンチマークであるOceanBenchを構築した。
論文参考訳（メタデータ） (2023-10-03T13:17:35Z)
Plankton-FL: Exploration of Federated Learning for Privacy-Preserving Training of Deep Neural Networks for Phytoplankton Classification [81.04987357598802]
本研究では,植物プランクトン分類のための深層ニューラルネットワークのプライバシー保護トレーニングにフェデレート学習を活用する可能性を検討する。我々は2つの異なるフェデレーション学習フレームワーク、フェデレーション学習(FL)と相互排他的FL(ME-FL)をシミュレートする。本研究では,植物プランクトンモニタリングにおけるフェデレート学習の可能性と可能性について実験的に検証した。
論文参考訳（メタデータ） (2022-12-18T02:11:03Z)
Applications of Machine Learning in Chemical and Biological Oceanography [0.0]
本稿では, 化学・生物海洋学分野における機械学習の利用について概説する。グローバルな固定窒素濃度、部分二酸化炭素圧、その他の化学的性質の予測において、MLの適用は有望なツールである。
論文参考訳（メタデータ） (2022-09-23T12:29:24Z)
Is the use of Deep Learning and Artificial Intelligence an appropriate means to locate debris in the ocean without harming aquatic wildlife? [3.0478504236139528]
本研究の目的は,深層学習が海洋生物と人工破片の水中での識別に有効であるかどうかを評価することである。目的は、水生生態系の微妙なバランスを損なうことなく、人工知能で安全に海洋を浄化できるかどうかを見つけることである。
論文参考訳（メタデータ） (2021-12-01T00:12:04Z)
Unlocking the potential of deep learning for marine ecology: overview, applications, and outlook [8.3226670069051]
本稿では,海洋生態学者と計算機科学者のギャップを埋めることを目的としている。本研究では, 一般的な深層学習手法を, 平易な言語における生態データ分析に適用する。我々は,海洋生態学への深層学習の確立と新たな応用を通じて,課題と機会を解説する。
論文参考訳（メタデータ） (2021-09-29T21:59:16Z)
FathomNet: A global underwater image training set for enabling artificial intelligence in the ocean [0.0]
オーシャンゴープラットフォームは、監視とナビゲーションのために高解像度のカメラフィードを統合することで、視覚データを大量に生成している。機械学習の最近の進歩は、視覚データの高速かつ洗練された分析を可能にするが、海洋学の世界では成功しなかった。 FathomNetのデータに基づいてトレーニングされた機械学習モデルを、さまざまな機関のビデオデータに適用する方法を実証する。
論文参考訳（メタデータ） (2021-09-29T18:08:42Z)
Cetacean Translation Initiative: a roadmap to deciphering the communication of sperm whales [97.41394631426678]
最近の研究では、非ヒト種における音響コミュニケーションを分析するための機械学習ツールの約束を示した。マッコウクジラの大量生物音響データの収集と処理に必要な重要な要素について概説する。開発された技術能力は、非人間コミュニケーションと動物行動研究を研究する幅広いコミュニティにおいて、クロス応用と進歩をもたらす可能性が高い。
論文参考訳（メタデータ） (2021-04-17T18:39:22Z)
Data Science for Engineers: A Teaching Ecosystem [59.00739310930656]
チリ大学物理学・数学学部の技術者にデータサイエンスを教えるエコシステムについて述べる。このイニシアチブは、学術的・専門的な環境からDS資格の需要が高まっていることに動機づけられている。 DS教育の原則と我々のアプローチの革新的な構成要素を共有することで、自分たちのDSプログラムやエコシステムを開発する人たちにとって、私たちの経験が役に立つことを願っています。
論文参考訳（メタデータ） (2021-01-14T14:17:57Z)
Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
論文参考訳（メタデータ） (2020-11-28T05:51:19Z)
A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
論文参考訳（メタデータ） (2020-06-05T08:04:37Z)

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。