Fugu-MT 論文翻訳(概要): Multi-Target Deep Learning for Algal Detection and Classification

論文の概要: Multi-Target Deep Learning for Algal Detection and Classification

arxiv url: http://arxiv.org/abs/2005.03232v1
Date: Thu, 7 May 2020 03:40:29 GMT
ステータス: 処理完了
システム内更新日: 2022-12-05 23:06:23.221921
Title: Multi-Target Deep Learning for Algal Detection and Classification
Title（参考訳）: 多目的深層学習による藻類検出と分類
Authors: Peisheng Qian, Ziyuan Zhao, Haobing Liu, Yingcai Wang, Yu Peng, Sheng Hu, Jing Zhang, Yue Deng, Zeng Zeng
Abstract要約: 藻類検出・分類のための多目的深層学習フレームワークを提案する。大規模に着色した微細藻類を用いた実験を行った。
参考スコア（独自算出の注目度）: 18.326567338439435
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Water quality has a direct impact on industry, agriculture, and public health. Algae species are common indicators of water quality. It is because algal communities are sensitive to changes in their habitats, giving valuable knowledge on variations in water quality. However, water quality analysis requires professional inspection of algal detection and classification under microscopes, which is very time-consuming and tedious. In this paper, we propose a novel multi-target deep learning framework for algal detection and classification. Extensive experiments were carried out on a large-scale colored microscopic algal dataset. Experimental results demonstrate that the proposed method leads to the promising performance on algal detection, class identification and genus identification.
Abstract（参考訳）: 水質は産業、農業、公衆衛生に直接影響を及ぼす。藻類は水質の一般的な指標である。藻類群落は生息地の変化に敏感であり、水質の変化について貴重な知識を与えるためである。しかし水質分析には、顕微鏡下での藻類の検出と分類の専門的な検査が必要である。本稿では,藻類検出と分類のための多目的深層学習フレームワークを提案する。大規模な色の微細藻類データセットで広範な実験が行われた。実験の結果,提案手法は藻類の検出,分類同定,属の同定に有望な性能をもたらすことが示された。

関連論文リスト

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)
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)
LudVision -- Remote Detection of Exotic Invasive Aquatic Floral Species using Drone-Mounted Multispectral Data [0.34998703934432673]
ルートヴィヒア・ペプロイドは、欧州連合によって水生侵略種と見なされている。我々の目標は、種の存在を特定する方法を開発することであった。得られた画像から対象種を同定するため,Ludwigia p。
論文参考訳（メタデータ） (2022-07-12T15:43:21Z)
Multi-class versus One-class classifier in spontaneous speech analysis oriented to Alzheimer Disease diagnosis [58.720142291102135]
本研究の目的は,音声信号から抽出した新しいバイオマーカーを用いて自動解析を行うことにより,ADの早期診断と重症度評価の改善に寄与することである。外付け器とフラクタル次元の機能に関する情報を使用することで、システムの性能が向上する。
論文参考訳（メタデータ） (2022-03-21T09:57:20Z)
Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
論文参考訳（メタデータ） (2021-05-01T13:19:02Z)
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)
Early Detection of Fish Diseases by Analyzing Water Quality Using Machine Learning Algorithm [0.0]
本稿では,最先端の機械学習アルゴリズムを適用し,水質劣化を時間的かつ正確に検出・予測する。実験の結果, 実際のデータセットを用いたアルゴリズムにより, 特定の水質に特有な魚病の検出精度が向上した。
論文参考訳（メタデータ） (2021-02-15T18:52:58Z)
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)
Detection of Malaria Vector Breeding Habitats using Topographic Models [0.7614628596146599]
本研究では,地球規模で利用可能なDEMデータに基づく実用的な地形モデルを提案する。ガーナのオプアシ地域を調査し,様々な地形特性が異なる水域に与える影響について検討した。我々の最良モデルは、小水位検出に地形変数を用いた以前の試みよりも優れていた。
論文参考訳（メタデータ） (2020-11-27T12:59:55Z)
Boosting rare benthic macroinvertebrates taxa identification with one-class classification [6.65010897396803]
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。
論文参考訳（メタデータ） (2020-02-12T09:46:24Z)
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。