論文の概要: Pollen Grain Microscopic Image Classification Using an Ensemble of
Fine-Tuned Deep Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2011.07428v1
- Date: Sun, 15 Nov 2020 01:25:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 07:22:13.112242
- Title: Pollen Grain Microscopic Image Classification Using an Ensemble of
Fine-Tuned Deep Convolutional Neural Networks
- Title（参考訳）: 微調整された深層畳み込みニューラルネットワークを用いた花粉粒微細画像分類
- Authors: Amirreza Mahbod, Gerald Schaefer, Rupert Ecker, Isabella Ellinger
- Abstract要約: 花粉の微粒化を4つのカテゴリに分類するためのアンサンブル手法を提案する。
我々は、4つの最先端の微調整畳み込みニューラルネットワークの融合に基づく分類戦略を開発する。
我々は、ICPR 2020 Pollen Grain Classification Challengeトレーニングデータセットで94.48%の精度と重み付きF1スコア94.54%を得る。
- 参考スコア（独自算出の注目度）: 2.824133171517646
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pollen grain micrograph classification has multiple applications in medicine
and biology. Automatic pollen grain image classification can alleviate the
problems of manual categorisation such as subjectivity and time constraints.
While a number of computer-based methods have been introduced in the literature
to perform this task, classification performance needs to be improved for these
methods to be useful in practice.
In this paper, we present an ensemble approach for pollen grain microscopic
image classification into four categories: Corylus Avellana well-developed
pollen grain, Corylus Avellana anomalous pollen grain, Alnus well-developed
pollen grain, and non-pollen (debris) instances. In our approach, we develop a
classification strategy that is based on fusion of four state-of-the-art
fine-tuned convolutional neural networks, namely EfficientNetB0,
EfficientNetB1, EfficientNetB2 and SeResNeXt-50 deep models. These models are
trained with images of three fixed sizes (224x224, 240x240, and 260x260 pixels)
and their prediction probability vectors are then fused in an ensemble method
to form a final classification vector for a given pollen grain image.
Our proposed method is shown to yield excellent classification performance,
obtaining an accuracy of of 94.48% and a weighted F1-score of 94.54% on the
ICPR 2020 Pollen Grain Classification Challenge training dataset based on
five-fold cross-validation. Evaluated on the test set of the challenge, our
approach achieved a very competitive performance in comparison to the top
ranked approaches with an accuracy and a weighted F1-score of 96.28% and
96.30%, respectively.
- Abstract（参考訳）: 花粉のマイクログラフ分類は、医学と生物学に複数の応用がある。
自動花粉画像分類は、主観性や時間制約といった手動分類の問題を軽減することができる。
この課題を遂行するために,多くのコンピュータ・ベースの手法が文献で紹介されているが,これらの手法が実際に有用であるためには,分類性能の改善が必要である。
本稿では,花粉粒微細化のためのアンサンブルアプローチを4つのカテゴリに分けて紹介する。corylus avellana well- developeded pollen grain, corylus avellana anomalous pollen grain, alnus well- developeded pollen grain, non-pollen (debris) instance。
本研究では,最先端の細調整型畳み込みニューラルネットワーク(EfficientNetB0,EfficientNetB1,EfficientNetB2,SeResNeXt-50)を融合した分類戦略を開発する。
これらのモデルは3つの固定サイズ(224x224,240x240,260x260ピクセル)の画像で訓練され、その予測確率ベクトルをアンサンブル法で融合させて、与えられた花粉粒画像の最終分類ベクトルを形成する。
提案手法は,5次元クロスバリデーションに基づくicpr 2020花粉分類チャレンジトレーニングデータセットにおいて,94.48%の精度と94.54%の重み付きf1-scoreを得た。
テストセットで評価したところ,本手法は,精度が96.28%,重み付きf1-scoreが96.30%の上位のアプローチと比較して,非常に競争力の高い結果を得た。
関連論文リスト
- Comparative Analysis and Ensemble Enhancement of Leading CNN Architectures for Breast Cancer Classification [0.0]
本研究は,病理組織像を用いた乳癌分類への新規かつ正確なアプローチを提案する。
さまざまな画像データセット間で、主要な畳み込みニューラルネットワーク(CNN)モデルを体系的に比較する。
そこで本研究では,スタンドアロンCNNモデルにおいて,例外的分類精度を実現するために必要な設定について検討した。
論文 参考訳（メタデータ） (2024-10-04T11:31:43Z) - On the Image-Based Detection of Tomato and Corn leaves Diseases : An
in-depth comparative experiments [0.0]
本研究は、植物画像分類のための畳み込みニューラルネットワーク(CNN)に基づく、新しい植物病検出モデルを提案する。
このモデルは2つの異なる植物病を4つのカテゴリに分類し、植物病の同定のための新しいテクニックを提示する。
論文 参考訳（メタデータ） (2023-12-14T05:11:30Z) - Double Attention-based Lightweight Network for Plant Pest Recognition [4.855663359344748]
異なる植物害虫を自動的に認識するために, ダブルアテンションに基づく軽量ディープラーニングアーキテクチャを提案する。
提案手法は, 5869, 545, 500サンプルの3種類の公開データセットに対して, 96.61%, 99.08%, 91.60%を達成している。
論文 参考訳（メタデータ） (2022-10-04T09:25:09Z) - Facilitated machine learning for image-based fruit quality assessment in
developing countries [68.8204255655161]
自動画像分類は食品科学における教師あり機械学習の一般的な課題である。
事前学習型視覚変換器(ViT)に基づく代替手法を提案する。
標準的なデバイス上で限られたリソースで簡単に実装できる。
論文 参考訳（メタデータ） (2022-07-10T19:52:20Z) - An Efficient End-to-End Deep Neural Network for Interstitial Lung
Disease Recognition and Classification [0.5424799109837065]
本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。
提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。
128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
論文 参考訳（メタデータ） (2022-04-21T06:36:10Z) - High performing ensemble of convolutional neural networks for insect
pest image detection [124.23179560022761]
害虫の寄生は作物の被害の主な原因であり、世界中の収入を失った。
我々は異なるトポロジに基づいてCNNのアンサンブルを生成する。
ディープネットワーク最適化のための2つの新しいAdamアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-28T00:49:11Z) - Robust Pollen Imagery Classification with Generative Modeling and Mixup
Training [0.0]
本論文では,花粉の航空画像分類を一般化できる,堅牢な深層学習フレームワークを提案する。
我々は,畳み込みニューラルネットワークを用いた花粉の粒度分類手法を開発し,ディープラーニングのベストプラクティスを組み合わせることで,より一般化する。
提案されたアプローチは、ICPR-2020 Pollen Grain Classification Challengeの最終ランキングで4位となった。
論文 参考訳（メタデータ） (2021-02-25T19:39:24Z) - Deep learning for lithological classification of carbonate rock micro-CT
images [52.77024349608834]
本研究は,ブラジルのプリサルト炭酸塩岩微視的画像のパターン同定にディープラーニング技術を適用することを目的としている。
4つの畳み込みニューラルネットワークモデルが提案された。
精度によると、リサイズ画像で訓練されたモデル2は、最初の評価アプローチでは平均75.54%、2番目の評価では平均81.33%に達した。
論文 参考訳（メタデータ） (2020-07-30T19:14:00Z) - Pollen13K: A Large Scale Microscope Pollen Grain Image Dataset [63.05335933454068]
この研究は、1万3千以上の天体を含む最初の大規模花粉画像データセットを提示する。
本稿では, エアロバイオロジカルサンプリング, 顕微鏡画像取得, 物体検出, セグメンテーション, ラベル付けなど, 採用データ取得のステップに注目した。
論文 参考訳（メタデータ） (2020-07-09T10:33:31Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳（メタデータ） (2020-06-08T07:24:33Z) - Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。
シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文 参考訳（メタデータ） (2020-05-18T21:57:47Z)
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。