Fugu-MT 論文翻訳(概要): DeepSeagrass Dataset

論文の概要: DeepSeagrass Dataset

arxiv url: http://arxiv.org/abs/2103.05226v1
Date: Tue, 9 Mar 2021 05:08:01 GMT
ステータス: 処理完了
システム内更新日: 2021-03-10 15:08:52.038687
Title: DeepSeagrass Dataset
Title（参考訳）: DeepSeagrassデータセット
Authors: Scarlett Raine, Ross Marchant, Peyman Moghadam, Frederic Maire, Brett Kettle and Brano Kusy
Abstract要約: オーストラリアのクイーンズランド州モートンベイで,生物学者シュノーケリングが収集した海草画像のデータセットを紹介した。画像は、フォルダ階層内の同じ形態型の画像を収集することにより、画像レベルでラベル付けされる。また,海草種をパッチレベルで検出・分類するための事前訓練されたモデルおよび訓練コードも公開する。
参考スコア（独自算出の注目度）: 0.7992463811844457
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a dataset of seagrass images collected by a biologist snorkelling in Moreton Bay, Queensland, Australia, as described in our publication: arXiv:2009.09924. The images are labelled at the image-level by collecting images of the same morphotype in a folder hierarchy. We also release pre-trained models and training codes for detection and classification of seagrass species at the patch level at https://github.com/csiro-robotics/deepseagrass.
Abstract（参考訳）: オーストラリアのクイーンズランド州モレトン湾でシュノーケリングをしている生物学者によって収集された海草画像のデータセットを紹介します。画像は、フォルダ階層内の同じ形態型の画像を収集することにより、画像レベルでラベル付けされる。また、パッチレベルでの海草種の検出と分類のための事前訓練されたモデルとトレーニングコードも公開しています。

関連論文リスト

WhaleNet: a Novel Deep Learning Architecture for Marine Mammals Vocalizations on Watkins Marine Mammal Sound Database [49.1574468325115]
textbfWhaleNet (Wavelet Highly Adaptive Learning Ensemble Network) は海洋哺乳動物の発声を分類するための高度な深層アンサンブルアーキテクチャである。既存のアーキテクチャよりも8-10%の精度で分類精度を向上し、分類精度は9,7.61%である。
論文参考訳（メタデータ） (2024-02-20T11:36:23Z)
BenthIQ: a Transformer-Based Benthic Classification Model for Coral Restoration [4.931399476945033]
サンゴ礁は海洋生物多様性、沿岸保護、世界の人間の生活を支えるために不可欠である。ベントニック合成マップを作成するための現在の手法は、しばしば空間被覆と分解能の間に妥協する。水中基板の高精度な分類のために設計されたマルチラベルセマンティックセマンティックセマンティクスネットワークであるBenthIQを紹介する。
論文参考訳（メタデータ） (2023-11-22T19:25:31Z)
Multimodal Foundation Models for Zero-shot Animal Species Recognition in Camera Trap Images [57.96659470133514]
モーションアクティベートカメラトラップは、世界中の野生生物を追跡・監視するための効率的なツールである。教師付き学習技術は、そのような画像を分析するためにうまく展開されているが、そのような訓練には専門家のアノテーションが必要である。コストのかかるラベル付きデータへの依存を減らすことは、人間の労働力を大幅に減らした大規模野生生物追跡ソリューションを開発する上で、大きな可能性を秘めている。
論文参考訳（メタデータ） (2023-11-02T08:32:00Z)
A Step Towards Worldwide Biodiversity Assessment: The BIOSCAN-1M Insect Dataset [18.211840156134784]
本稿では,画像に基づく分類学的評価が可能なコンピュータビジョンモデルの訓練を目的とした,100万画像データセットを提案する。このデータセットは魅力的な特徴も示しており、その研究はより広範な機械学習コミュニティにとって興味深いものとなるだろう。
論文参考訳（メタデータ） (2023-07-19T20:54:08Z)
Image Labels Are All You Need for Coarse Seagrass Segmentation [3.253176232272777]
海草の牧草地は重要な炭素シンクとして機能するが、それらが蓄積する炭素量の推定には海草種の知識が必要である。過去の海草の検出と分類にはパッチレベルのラベルの監督が必要であった。本研究では、教師なしのコントラスト事前学習と特徴類似性を利用したアーキテクチャであるSeaFeatsと、大規模言語モデルの有効性を示すモデルであるSeaCLIPを紹介する。
論文参考訳（メタデータ） (2023-03-02T05:10:57Z)
Deep Learning Classification of Lake Zooplankton [0.0]
湖沼プランクトンの同定のために開発された深層学習モデルについて述べる。この目的のために,我々は17900年の動物園プランクトンと大型植物プランクトンコロニーの画像に対して35のクラスに注釈を付けた。最良モデルは転送学習とアンサンブルに基づいて,98%の精度と93%のF1スコアでプランクトン画像を分類した。
論文参考訳（メタデータ） (2021-08-11T14:57:43Z)
Multi-species Seagrass Detection and Classification from Underwater Images [1.2233362977312945]
本稿では,深層畳み込みニューラルネットワークに基づく海草の多種検出と分類器を提案する。また,画像パッチを半自動でラベル付けする簡単な手法を導入し,手動ラベリングの要件を最小化する。この研究で収集したデータセットと、実験を再現するためのコードと事前訓練されたモデルについて、公開してリリースします。
論文参考訳（メタデータ） (2020-09-18T07:20:44Z)
Background Splitting: Finding Rare Classes in a Sea of Background [55.03789745276442]
我々は,少数の稀なカテゴリの画像分類のための,高精度な深層モデルの訓練という現実的な問題に焦点をあてる。これらのシナリオでは、ほとんどの画像はデータセットの背景カテゴリに属します(データセットの95%は背景です)。非バランスなデータセットをトレーニングするための標準的な微調整アプローチと最先端アプローチの両方が、この極端な不均衡の存在下で正確な深層モデルを生成していないことを実証する。
論文参考訳（メタデータ） (2020-08-28T23:05:15Z)
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)
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)
Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
まずラベル階層の知識を任意のCNNベースの分類器に注入する。画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
論文参考訳（メタデータ） (2020-04-02T10:22:02Z)

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。