論文の概要: Automatic identification of fossils and abiotic grains during carbonate
microfacies analysis using deep convolutional neural networks
- arxiv url: http://arxiv.org/abs/2009.11429v2
- Date: Wed, 4 Nov 2020 02:04:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 05:07:30.308593
- Title: Automatic identification of fossils and abiotic grains during carbonate
microfacies analysis using deep convolutional neural networks
- Title（参考訳）: 深部畳み込みニューラルネットワークを用いた炭酸塩微生物分析における化石および無生物粒の自動同定
- Authors: Xiaokang Liu, Haijun Song
- Abstract要約: 堆積物環境の解釈や古生態学的復元には, 薄片の微細構造同定に基づく岩石学的解析が広く用いられている。
骨格の断片の形態学的および微細構造的多様性を識別するには、微生物の化石形態の広範な事前知識が必要である。
- 参考スコア（独自算出の注目度）: 1.520387509697271
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Petrographic analysis based on microfacies identification in thin sections is
widely used in sedimentary environment interpretation and paleoecological
reconstruction. Fossil recognition from microfacies is an essential procedure
for petrographers to complete this task. Distinguishing the morphological and
microstructural diversity of skeletal fragments requires extensive prior
knowledge of fossil morphotypes in microfacies and long training sessions under
the microscope. This requirement engenders certain challenges for
sedimentologists and paleontologists, especially novices. However, a machine
classifier can help address this challenge. In this study, we collected a
microfacies image dataset comprising both public data from 1,149 references and
our own materials (including 30,815 images of 22 fossil and abiotic grain
groups). We employed a high-performance workstation to implement four classic
deep convolutional neural networks (DCNNs), which have proven to be highly
efficient in computer vision over the last several years. Our framework uses a
transfer learning technique, which reuses the pre-trained parameters that are
trained on a larger ImageNet dataset as initialization for the network to
achieve high accuracy with low computing costs. We obtained up to 95% of the
top one and 99% of the top three test accuracies in the Inception ResNet v2
architecture. The machine classifier exhibited 0.99 precision on minerals, such
as dolomite and pyrite. Although it had some difficulty on samples having
similar morphologies, such as the bivalve, brachiopod, and ostracod, it
nevertheless obtained 0.88 precision. Our machine learning framework
demonstrated high accuracy with reproducibility and bias avoidance that was
comparable to those of human classifiers. Its application can thus eliminate
much of the tedious, manually intensive efforts by human experts conducting
routine identification.
- Abstract（参考訳）: 細断面の微相同定に基づく岩石学的解析は堆積環境の解釈や古生態学的復元に広く用いられている。
マイクロファシーからの化石認識は、石油学者にとってこの課題を完了させる必須の手順である。
骨格断片の形態的および微細構造的多様性の解消には、顕微鏡下での微生物の化石形態と長期の訓練の広範な知識が必要である。
この要件は、堆積学者や古生物学者、特に初心者にとって、ある種の課題をもたらす。
しかし、機械分類器はこの課題に対処するのに役立つ。
本研究では,1,149件の参考資料と2つの資料(22の化石および無生物穀物群30,815件を含む)の公開データからなるマイクロファシズム画像データセットを収集した。
我々は,過去数年間,コンピュータビジョンにおいて非常に効率的であることが証明された4つの古典的深層畳み込みニューラルネットワーク(DCNN)を実装するために,高性能なワークステーションを使用した。
このフレームワークでは,大規模なImageNetデータセット上でトレーニングされた事前学習パラメータを,ネットワークの初期化として再利用し,低計算コストで高精度を実現する。
我々は、インセプションresnet v2アーキテクチャの上位1つのうち最大95%と上位3つのテストアキュラティの99%を入手した。
機械分類器はドロマイトやピライトなどの鉱物に対して 0.99 の精度を示した。
バイバルベ、ブラキオポッド、オストラコッドのような類似した形態を持つサンプルでは困難であったが、それでも精度は0.88であった。
我々の機械学習フレームワークは、人間の分類器に匹敵する再現性とバイアス回避で高い精度を示した。
これにより、人間の専門家が日常的な識別を行うという面倒で手動による作業の多くを排除できる。
関連論文リスト
- Application of Artificial Intelligence in the Classification of
Microscopical Starch Images for Drug Formulation [0.0]
デンプンは工場で見られる重要なエネルギー源であり、製薬業界で多くの用途がある。
本研究では,9種類の植物由来のデンプン試料から得られた顕微鏡画像に人工知能技術(トランスファーラーニングと深部畳み込みニューラルネットワークCNN)を適用した。
論文 参考訳（メタデータ） (2023-05-09T10:16:02Z) - ForamViT-GAN: Exploring New Paradigms in Deep Learning for
Micropaleontological Image Analysis [0.0]
本稿では,階層型視覚変換器とスタイルに基づく生成逆ネットワークアルゴリズムを組み合わせた新しいディープラーニングワークフローを提案する。
本研究では,高信号対雑音比(39.1dB)の高分解能画像とFrechet距離類似度スコア14.88のリアル合成画像を生成することができることを示す。
生成画像と合成画像の両方を精度良く, 異なるフォアミニフェラのセマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティクスを初めて行った。
論文 参考訳（メタデータ） (2023-04-09T18:49:38Z) - Fast spline detection in high density microscopy data [0.0]
多生物系の顕微鏡的研究において、衝突と重なりの問題は依然として困難である。
そこで,本研究では,一般的なモチーフと重なり合うスプラインの正確な形状軌跡を抽出する,エンドツーエンドの深層学習手法を開発した。
線虫Caenorhabditis elegansの密集実験における使用性の設定と実証を行った。
論文 参考訳（メタデータ） (2023-01-11T13:40:05Z) - Three-dimensional microstructure generation using generative adversarial
neural networks in the context of continuum micromechanics [77.34726150561087]
本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。
軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
論文 参考訳（メタデータ） (2022-05-31T13:26:51Z) - AI for Porosity and Permeability Prediction from Geologic Core X-Ray
Micro-Tomography [0.0]
岩盤の物理的特性を予測するために,非常に小さなCNN変換器モデルを用いた自己教師付き事前学習を提案する。
この手法は, 極端に小さなデータセットであっても過度に適合しないことを示す。
論文 参考訳（メタデータ） (2022-05-26T06:55:03Z) - MiNet: A Convolutional Neural Network for Identifying and Categorising
Minerals [0.0]
7種類の鉱物を識別・分類する単一ラベル画像分類モデルを開発した。
実世界のデータセットを用いて行った実験は、このモデルが90.75%の精度を達成したことを示している。
論文 参考訳（メタデータ） (2021-11-22T15:00:28Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Deep neural networks approach to microbial colony detection -- a
comparative analysis [52.77024349608834]
本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。
得られた結果は将来の実験のベンチマークとして機能するかもしれない。
論文 参考訳（メタデータ） (2021-08-23T12:06:00Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z)
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。