論文の概要: I-Nema: A Biological Image Dataset for Nematode Recognition
- arxiv url: http://arxiv.org/abs/2103.08335v1
- Date: Mon, 15 Mar 2021 12:29:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 13:46:16.017732
- Title: I-Nema: A Biological Image Dataset for Nematode Recognition
- Title(参考訳): I-Nema:線虫認識のための生体画像データセット
- Authors: Xuequan Lu, Yihao Wang, Sheldon Fung, and Xue Qing
- Abstract要約: 線虫は地球上で最も豊富な中生代グループの一つであり、多様な生態的ニッチを占有している。
ネマトドの正確な認識または識別は、害虫駆除、土壌生態学、生物地理学、生息地の保全、気候変動に対する大きな重要性を有する。
コンピュータビジョンと画像処理は、線虫の種認識にいくつかの成功をおさめたが、依然として大きな需要がある。
- 参考スコア(独自算出の注目度): 3.1918817988202606
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nematode worms are one of most abundant metazoan groups on the earth,
occupying diverse ecological niches. Accurate recognition or identification of
nematodes are of great importance for pest control, soil ecology,
bio-geography, habitat conservation and against climate changes. Computer
vision and image processing have witnessed a few successes in species
recognition of nematodes; however, it is still in great demand. In this paper,
we identify two main bottlenecks: (1) the lack of a publicly available imaging
dataset for diverse species of nematodes (especially the species only found in
natural environment) which requires considerable human resources in field work
and experts in taxonomy, and (2) the lack of a standard benchmark of
state-of-the-art deep learning techniques on this dataset which demands the
discipline background in computer science. With these in mind, we propose an
image dataset consisting of diverse nematodes (both laboratory cultured and
naturally isolated), which, to our knowledge, is the first time in the
community. We further set up a species recognition benchmark by employing
state-of-the-art deep learning networks on this dataset. We discuss the
experimental results, compare the recognition accuracy of different networks,
and show the challenges of our dataset. We make our dataset publicly available
at: https://github.com/xuequanlu/I-Nema
- Abstract(参考訳): 線虫は地球上で最も豊富な中生代グループの一つであり、多様な生態的ニッチを占有している。
ネマトドの正確な認識または識別は、害虫駆除、土壌生態学、生物地理学、生息地の保全、気候変動に対する大きな重要性を有する。
コンピュータビジョンと画像処理は、線虫の種認識にいくつかの成功をおさめたが、依然として大きな需要がある。
本稿では,(1)野外作業においてかなりの人材と分類学の専門家を必要とする多種多様な線虫(特に自然環境にのみ存在する種)を対象とした画像データセットの欠如,(2)コンピュータ科学の規律的背景を必要とするこのデータセットにおける最先端ディープラーニング技術の標準ベンチマークの欠如,の2つの主なボトルネックを明らかにする。
これらのことを念頭に置いて,多様な線虫(実験室培養と自然分離の両方)からなる画像データセットを提案する。
さらに,このデータセットに最先端のディープラーニングネットワークを用い,種認識ベンチマークを設定した。
実験結果について検討し、異なるネットワークの認識精度を比較し、データセットの課題を示す。
データセットはhttps://github.com/xuequanlu/I-Nemaで公開しています。
関連論文リスト
- Insect Identification in the Wild: The AMI Dataset [35.41544843896443]
昆虫は世界の生物多様性の半分を占めるが、世界の昆虫の多くは姿を消している。
この危機にもかかわらず、昆虫の多様性と豊かさに関するデータはいまだに不十分である。
昆虫認識のための大規模な機械学習ベンチマークを初めて提供します。
論文 参考訳(メタデータ) (2024-06-18T09:57:02Z) - Deep Neural Network Identification of Limnonectes Species and New Class
Detection Using Image Data [5.943822554753426]
ディープニューラルネットワークは、画像の分類を訓練された既知の種グループに分類することに成功した。
このアルゴリズムは,既存のクラスに属さない場合には,イメージを新しいクラスに分類できることを示す。
論文 参考訳(メタデータ) (2023-11-15T02:57:59Z) - SatBird: Bird Species Distribution Modeling with Remote Sensing and
Citizen Science Data [68.2366021016172]
本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。
ケニアでは低データのレシエーションを表すデータセットも提供しています。
リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
論文 参考訳(メタデータ) (2023-11-02T02:00:27Z) - 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) - 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) - Florida Wildlife Camera Trap Dataset [48.99466876948454]
フロリダ州南西部の2つの異なる場所から収集された野生生物カメラトラップ分類データセットについて紹介する。
データセットは104,495枚の画像からなり、視覚的に類似した種、様々な照明条件、スキュードクラス分布、絶滅危惧種のサンプルを含む。
論文 参考訳(メタデータ) (2021-06-23T18:53:15Z) - 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) - Unifying data for fine-grained visual species classification [15.14767769034929]
465種にまたがる2.9M画像に基づいて訓練した,初期の深部畳み込みニューラルネットワークモデルを提案する。
長期的な目標は、科学者が種数と人口の健康状態のほぼリアルタイムでの分析から、保護的なレコメンデーションを行うことである。
論文 参考訳(メタデータ) (2020-09-24T01:04:18Z) - 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。