論文の概要: Automating the assessment of biofouling in images using expert agreement
as a gold standard
- arxiv url: http://arxiv.org/abs/2008.09289v2
- Date: Thu, 17 Dec 2020 03:59:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 20:42:38.594876
- Title: Automating the assessment of biofouling in images using expert agreement
as a gold standard
- Title（参考訳）: 専門家合意を金基準とした画像のバイオファウリング評価の自動化
- Authors: Nathaniel J. Bloomfield and Susan Wei and Bartholomew Woodham and
Peter Wilkinson and Andrew Robinson
- Abstract要約: バイオファウリング(英: Biofouling)は、水に浸漬された表面上の生物の蓄積である。
生物汚染リスク管理規制を強化するための司法管轄区域内での関心が高まっている。
本稿では,水中検査による画像の自動分類にディープラーニングを適用した。
- 参考スコア（独自算出の注目度）: 0.8399688944263843
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Biofouling is the accumulation of organisms on surfaces immersed in water. It
is of particular concern to the international shipping industry because it
increases fuel costs and presents a biosecurity risk by providing a pathway for
non-indigenous marine species to establish in new areas. There is growing
interest within jurisdictions to strengthen biofouling risk-management
regulations, but it is expensive to conduct in-water inspections and assess the
collected data to determine the biofouling state of vessel hulls. Machine
learning is well suited to tackle the latter challenge, and here we apply deep
learning to automate the classification of images from in-water inspections to
identify the presence and severity of fouling. We combined several datasets to
obtain over 10,000 images collected from in-water surveys which were annotated
by a group biofouling experts. We compared the annotations from three experts
on a 120-sample subset of these images, and found that they showed 89%
agreement (95% CI: 87-92%). Subsequent labelling of the whole dataset by one of
these experts achieved similar levels of agreement with this group of experts,
which we defined as performing at most 5% worse (p=0.009-0.054). Using these
expert labels, we were able to train a deep learning model that also agreed
similarly with the group of experts (p=0.001-0.014), demonstrating that
automated analysis of biofouling in images is feasible and effective using this
method.
- Abstract（参考訳）: バイオファウリング(英: Biofouling)は、水に浸漬された表面上の生物の蓄積である。
燃料コストを増加させ、非種族海洋種が新しい地域に定着するための経路を提供することによって、生物セキュリティのリスクをもたらすため、国際海運産業にとって特に懸念されている。
生物汚染リスク管理規制を強化するための司法管轄区域内での関心が高まりつつあるが、船体の生物汚染状況を決定するために水中検査を行い、収集したデータを評価することは高価である。
機械学習は後者の課題に取り組むのに適しており、深層学習を用いて水中検査からの画像の分類を自動化し、ファウリングの存在と重大さを特定する。
水中調査から得られた1万枚以上の画像は,複数のデータセットを組み合わせて収集した。
これらの画像の120サンプルのサブセットについて,3人の専門家によるアノテーションを比較し,89%の同意(95%CI:87-92%)を示した。
これらの専門家の1人によるデータセット全体のラベル付けは、この専門家グループと同じようなレベルの合意を達成し、我々は、パフォーマンスが5%悪くなる(p=0.009-0.054)と定義した。
これらの専門家ラベルを用いて,専門家グループと類似した深層学習モデル(p=0.001-0.014)を訓練し,画像中のバイオファウリングの自動解析が実現可能で有効であることを実証した。
関連論文リスト
- Reducing Label Dependency for Underwater Scene Understanding: A Survey of Datasets, Techniques and Applications [3.4210271593052606]
調査は、人間の専門家の入力への依存を減らすアプローチに焦点を当てている。
弱く自己監督的な深層学習の背景を提供し、これらの要素を水中モニタリング、コンピュータビジョン、深層学習の交差点を中心とする分類学に統合する。
論文 参考訳（メタデータ） (2024-11-18T05:16:09Z) - Diffusion Facial Forgery Detection [56.69763252655695]
本稿では,顔に焦点をあてた拡散生成画像を対象とした包括的データセットであるDiFFを紹介する。
人体実験といくつかの代表的な偽造検出手法を用いて,DiFFデータセットの広範な実験を行った。
その結果、人間の観察者と自動検出者の2値検出精度は30%以下であることが判明した。
論文 参考訳（メタデータ） (2024-01-29T03:20:19Z) - ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。
まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。
次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文 参考訳（メタデータ） (2023-11-01T14:44:01Z) - Wild Face Anti-Spoofing Challenge 2023: Benchmark and Results [73.98594459933008]
顔認証システム(FAS)は、顔認識システムの完全性を保護するための重要なメカニズムである。
この制限は、公開可能なFASデータセットの不足と多様性の欠如に起因する可能性がある。
制約のない環境で収集された大規模で多様なFASデータセットであるWild Face Anti-Spoofingデータセットを紹介した。
論文 参考訳（メタデータ） (2023-04-12T10:29:42Z) - Semantic Segmentation for Fully Automated Macrofouling Analysis on
Coatings after Field Exposure [13.732577711665877]
バイオファウリングは、持続可能な輸送、フィルター膜、熱交換器、医療機器にとって大きな課題である。
本稿では,画像に基づくマクロファウリングの自動解析手法を提案する。
論文 参考訳（メタデータ） (2022-11-21T16:03:16Z) - Towards Generating Large Synthetic Phytoplankton Datasets for Efficient
Monitoring of Harmful Algal Blooms [77.25251419910205]
有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。
現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。
合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
論文 参考訳（メタデータ） (2022-08-03T20:15:55Z) - Dam reservoir extraction from remote sensing imagery using tailored
metric learning strategies [6.040904021861968]
本稿では,ダム貯水池抽出を水域セグメンテーションとダム貯水池認識に分解するディープニューラルネットワークを用いたパイプラインを提案する。
我々は西アフリカとインドの河川流域から得られた地球画像データと人間ラベル付き貯水池のベンチマークデータセットを構築した。
論文 参考訳（メタデータ） (2022-07-12T19:46:01Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - FathomNet: An underwater image training database for ocean exploration
and discovery [0.0]
FathomNetは、最新のインテリジェントで自動化された水中画像解析の開発を加速するために最適化された、新しいベースラインイメージトレーニングセットである。
現在までに8万枚以上の画像と10万6000枚以上の局所化が233のクラスで行われており、その中には中層生物やベント生物が含まれる。
この新たなデータセットの予測による品質結果が得られたが、我々の結果は最終的に、海洋探査のためにより大きなデータセットが必要であることを示唆している。
論文 参考訳（メタデータ） (2020-06-30T21:23:06Z) - 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。