論文の概要: Boosting rare benthic macroinvertebrates taxa identification with one-class classification

• arxiv url: http://arxiv.org/abs/2002.10420v1
• Date: Wed, 12 Feb 2020 09:46:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 18:51:52.286920
• Title: Boosting rare benthic macroinvertebrates taxa identification with one-class classification
• Title（参考訳）: 一級分類による希少なベント性マクロ無脊椎動物分類の同定
• Authors: Fahad Sohrab, Jenni Raitoharju
• Abstract要約: 現在、タクサの識別には面倒な手作業が必要であり、効率的にスケールアップすることはできない。 ディープ畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、バイオモニタリングボリュームを大幅に増加させる実行可能な方法である。 一級分類モデルは伝統的に、はるかに少ないサンプルで訓練されており、人間の検査のための稀なクラスに属するサンプルを示すメカニズムを提供することができる。
• 参考スコア（独自算出の注目度）: 6.65010897396803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Insect monitoring is crucial for understanding the consequences of rapid ecological changes, but taxa identification currently requires tedious manual expert work and cannot be scaled-up efficiently. Deep convolutional neural networks (CNNs), provide a viable way to significantly increase the biomonitoring volumes. However, taxa abundances are typically very imbalanced and the amounts of training images for the rarest classes are simply too low for deep CNNs. As a result, the samples from the rare classes are often completely missed, while detecting them has biological importance. In this paper, we propose combining the trained deep CNN with one-class classifiers to improve the rare species identification. One-class classification models are traditionally trained with much fewer samples and they can provide a mechanism to indicate samples potentially belonging to the rare classes for human inspection. Our experiments confirm that the proposed approach may indeed support moving towards partial automation of the taxa identification task.
• Abstract（参考訳）: 昆虫モニタリングは、急激な生態変化の結果を理解するために重要であるが、現在、分類学の特定には面倒な手作業が必要であり、効率的にスケールアップすることはできない。 深層畳み込みニューラルネットワーク(deep convolutional neural networks, cnns)は、生体モニタリング量を大幅に増加させる有効な方法である。 しかし、分類学的多さは一般的に非常に不均衡であり、最も希少なクラスの訓練画像の量は、深層cnnでは単に少なすぎる。 その結果、希少なクラスからのサンプルは、しばしば完全に欠落し、検出は生物学的に重要である。 本稿では,訓練された深層cnnと1クラス分類器を組み合わせた希少種識別法を提案する。 一級分類モデルは伝統的により少ないサンプルで訓練されており、人間の検査のための稀なクラスに属するサンプルを示すメカニズムを提供することができる。 実験により,提案手法がタクサ識別タスクの部分的自動化に向けた動きを実際に支援できることを確認した。

関連論文リスト

• LoGex: Improved tail detection of extremely rare histopathology classes via guided diffusion [36.56346240815833]
  現実的な医療環境では、データは長い尾を持つことが多く、ほとんどのサンプルは少数のクラスと稀なクラスの長い尾に集中しており、通常は少数のサンプルしか含まれていない。 この分布は、希少な条件が検出しにくく、限られたデータのために分類することが難しいため、重大な課題である。 本稿では,レアクラスを分類する代わりに,配布外データとして確実に検出することを目的とする。
  論文  参考訳（メタデータ） (2024-09-02T15:18:15Z)
• A Saliency-based Clustering Framework for Identifying Aberrant Predictions [49.1574468325115]
  本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。 本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。 本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
  論文  参考訳（メタデータ） (2023-11-11T01:53:59Z)
• Attend Who is Weak: Pruning-assisted Medical Image Localization under Sophisticated and Implicit Imbalances [102.68466217374655]
  ディープニューラルネットワーク(DNN)は、医療画像理解タスクのテキストファクト選択として急速に普及している。 本稿では,プルーニングを用いてテキスト・ハード・トゥ・ラーン(HTL)学習サンプルを自動かつ適応的に識別する手法を提案する。 また、HTLが複雑な人口動態の不均衡を捉える能力を示す興味深い統計分析も提示する。
  論文  参考訳（メタデータ） (2022-12-06T00:32:03Z)
• On the use of uncertainty in classifying Aedes Albopictus mosquitoes [1.6758573326215689]
  畳み込みニューラルネットワーク(CNN)は、画像中の蚊を認識するためにいくつかの研究で使われてきた。 本稿では,モンテカルロ・ドロップアウト法を用いて不確実性のスコアを推定し,分類標本のランク付けを行う。
  論文  参考訳（メタデータ） (2021-10-29T16:58:25Z)
• Incremental Deep Neural Network Learning using Classification Confidence Thresholding [4.061135251278187]
  分類のための現代のニューラルネットワークのほとんどは、未知の概念を考慮していない。 本稿では,逐次学習のための素数ニューラルネットワークに対する分類信頼度閾値アプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-21T22:46:28Z)
• Understanding Classifier Mistakes with Generative Models [88.20470690631372]
  ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。 本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。 我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
  論文  参考訳（メタデータ） (2020-10-05T22:13:21Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)
• M2m: Imbalanced Classification via Major-to-minor Translation [79.09018382489506]
  ほとんどの実世界のシナリオでは、ラベル付きトレーニングデータセットは非常にクラス不均衡であり、ディープニューラルネットワークは、バランスの取れたテスト基準への一般化に苦しむ。 本稿では,より頻度の低いクラスを,より頻度の低いクラスからのサンプルを翻訳することによって,この問題を緩和する新しい方法を提案する。 提案手法は,従来の再サンプリング法や再重み付け法と比較して,マイノリティクラスの一般化を著しく改善することを示す。
  論文  参考訳（メタデータ） (2020-04-01T13:21:17Z)
• Regularizing Class-wise Predictions via Self-knowledge Distillation [80.76254453115766]
  類似サンプル間の予測分布を解析する新しい正規化法を提案する。 これにより、単一のネットワークの暗黒知識(すなわち誤った予測に関する知識)を規則化する。 画像分類タスクにおける実験結果から, 単純だが強力な手法が一般化能力を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-03-31T06:03:51Z)

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。