論文の概要: Bombus Species Image Classification

• arxiv url: http://arxiv.org/abs/2006.11374v1
• Date: Tue, 9 Jun 2020 21:28:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 13:23:55.910041
• Title: Bombus Species Image Classification
• Title（参考訳）: ボンバス種画像分類
• Authors: Venkat Margapuri, George Lavezzi, Robert Stewart, Dan Wagner
• Abstract要約: 昆虫学者や生態学者などは、フィールドワークや研究で遭遇したバンブルミツバチの種を迅速かつ正確に特定することに苦慮している。 本研究では,移動学習から派生した画像分類システムが,この課題に対処できるかどうかを検討した。 Google Inception、Oxford VGG16、VGG19、Microsoft ResNet 50を使いました。
• 参考スコア（独自算出の注目度）: 0.2351364540155133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Entomologists, ecologists and others struggle to rapidly and accurately identify the species of bumble bees they encounter in their field work and research. The current process requires the bees to be mounted, then physically shipped to a taxonomic expert for proper categorization. We investigated whether an image classification system derived from transfer learning can do this task. We used Google Inception, Oxford VGG16 and VGG19 and Microsoft ResNet 50. We found Inception and VGG classifiers were able to make some progress at identifying bumble bee species from the available data, whereas ResNet was not. Individual classifiers achieved accuracies of up to 23% for single species identification and 44% top-3 labels, where a composite model performed better, 27% and 50%. We feel the performance was most hampered by our limited data set of 5,000-plus labeled images of 29 species, with individual species represented by 59 -315 images.
• Abstract（参考訳）: 昆虫学者、生態学者等は、フィールドワークや研究で遭遇するハチの種を迅速かつ正確に同定するのに苦労している。 現在のプロセスでは、ミツバチを装着し、適切な分類のための分類の専門家に物理的に出荷する必要がある。 本研究では,移動学習から派生した画像分類システムが,この課題に対処できるかどうかを検討した。 Google Inception、Oxford VGG16、VGG19、Microsoft ResNet 50を使いました。 resnetがそうではなかったのに対し、インセプションとvgg分類器は利用可能なデータからバンブルミツバチの種を識別することに成功した。 個々の分類器は, 単一種識別において最大23%, 44%のTop-3ラベルを達成し, 複合モデルでは27%, 50%が良好であった。 29種の5000以上のラベル付き画像と、59 -315の画像で表される個々の種によって、パフォーマンスが最も阻害されたと感じています。

関連論文リスト

• Low Cost Machine Vision for Insect Classification [33.7054351451505]
  本稿では,低コストでスケーラブルなオープンソースシステムとして開発されたマルチセンサシステムの一部として,イメージング手法を提案する。 このシステムは、同じ昆虫種16種と異なる属、家系、順序からなるデータセットで、例に評価される。 種間類似度の高い種を分類するためには,昆虫のイメージトリミングが必要であることが証明された。
  論文  参考訳（メタデータ） (2024-04-26T15:43:24Z)
• Species196: A One-Million Semi-supervised Dataset for Fine-grained Species Recognition [30.327642724046903]
  種196(英: species 196)は、196科の外来種の大規模な半教師付きデータセットである。 専門家レベルの正確なアノテーションである種196-Lと、侵入種196-Uの1.2M以上のラベルのない画像を集めている。
  論文  参考訳（メタデータ） (2023-09-25T14:46:01Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Deep Learning Pipeline for Automated Visual Moth Monitoring: Insect Localization and Species Classification [10.423464288613275]
  本稿では,マウススキャナーが捉えた画像を分析するためのディープラーニングパイプラインを提案する。 本研究はまず寄生虫検出装置を用いて個体を局在させ,その後に検出された昆虫の種類を決定する。 我々の検出器は平均精度99.01%に達し、分類器は画像の切り抜きにおいて精度93.13%の精度で200種を識別する。
  論文  参考訳（メタデータ） (2023-07-28T09:22:09Z)
• Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
  ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。 従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。 本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
  論文  参考訳（メタデータ） (2023-06-05T03:36:01Z)
• Bugs in the Data: How ImageNet Misrepresents Biodiversity [98.98950914663813]
  ImageNet-1k検証セットで野生動物を表す269のクラスから13450の画像を解析した。 多くのクラスが未定義あるいは重複しており、画像の12%が誤ってラベル付けされていることがわかった。 また,ImageNet-1kに含まれる野生生物関連ラベルと画像の両方が,地理的,文化的に有意な偏見を呈していることがわかった。
  論文  参考訳（メタデータ） (2022-08-24T17:55:48Z)
• Portuguese Man-of-War Image Classification with Convolutional Neural Networks [58.720142291102135]
  ポルトガルマン・オブ・ウォー(ポルトガル語: Man-of-war、PMW)は、長い触手を持つゼラチン質の生物である。 本稿では,InstagramのソーシャルメディアからPMW画像を認識するための畳み込みニューラルネットワークの利用について報告する。
  論文  参考訳（メタデータ） (2022-07-04T03:06:45Z)
• 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)
• 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。