論文の概要: Application of Computer Vision and Machine Learning for Digitized
Herbarium Specimens: A Systematic Literature Review
- arxiv url: http://arxiv.org/abs/2104.08732v1
- Date: Sun, 18 Apr 2021 06:08:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 13:53:50.090243
- Title: Application of Computer Vision and Machine Learning for Digitized
Herbarium Specimens: A Systematic Literature Review
- Title（参考訳）: デジタル化標本に対するコンピュータビジョンと機械学習の応用:系統的文献レビュー
- Authors: Burhan Rashid Hussein, Owais Ahmed Malik, Wee-Hong Ong, Johan Willem
Frederik Slik
- Abstract要約: エルバリウムには数百万の標本があり、科学研究のために数年間保存されている。
これらの標本のデジタル化は現在、より広い科学コミュニティへのデータのアクセスと共有を容易にするために進められている。
IDigBioやGBIFなどのオンラインデジタルレポジトリは、まだ調査されていない数百万のサンプル画像を蓄積している。
機械学習とコンピュータビジョンを使って、より新しい発見を自動化し、スピードアップするのに最適なタイミングを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Herbarium contains treasures of millions of specimens which have been
preserved for several years for scientific studies. To speed up more scientific
discoveries, a digitization of these specimens is currently on going to
facilitate easy access and sharing of its data to a wider scientific community.
Online digital repositories such as IDigBio and GBIF have already accumulated
millions of specimen images yet to be explored. This presents a perfect time to
automate and speed up more novel discoveries using machine learning and
computer vision. In this study, a thorough analysis and comparison of more than
50 peer-reviewed studies which focus on application of computer vision and
machine learning techniques to digitized herbarium specimen have been examined.
The study categorizes different techniques and applications which have been
commonly used and it also highlights existing challenges together with their
possible solutions. It is our hope that the outcome of this study will serve as
a strong foundation for beginners of the relevant field and will also shed more
light for both computer science and ecology experts.
- Abstract（参考訳）: エルバリウムには数百万の標本があり、科学研究のために数年間保存されている。
より多くの科学的な発見をスピードアップするために、これらの標本のデジタル化は、より広い科学コミュニティへのデータのアクセスと共有を容易にするだろう。
IDigBioやGBIFなどのオンラインデジタルレポジトリは、まだ調査されていない数百万のサンプル画像を蓄積している。
機械学習とコンピュータビジョンを使って、より新しい発見を自動化し、スピードアップするのに最適なタイミングを提供する。
本研究では,コンピュータビジョンと機械学習技術のデジタル化標本への適用に焦点を当てた50以上のピアレビュー研究の徹底的な分析と比較を行った。
この研究は、一般的に使用されているさまざまな技術とアプリケーションを分類し、既存の課題と解決策を強調するものだ。
この研究の結果が、関連する分野の初心者の強力な基盤となり、コンピュータ科学と生態学の専門家の両方にとってより光を放つことを願っています。
関連論文リスト
- MASSW: A New Dataset and Benchmark Tasks for AI-Assisted Scientific Workflows [58.56005277371235]
我々は,Multi-Aspect Summarization of ScientificAspectsに関する総合テキストデータセットであるMASSWを紹介する。
MASSWには過去50年間にわたる17の主要なコンピュータサイエンスカンファレンスから152,000以上の査読論文が含まれている。
我々は、この新しいデータセットを用いてベンチマーク可能な、複数の新しい機械学習タスクを通じて、MASSWの有用性を実証する。
論文 参考訳（メタデータ） (2024-06-10T15:19:09Z) - Gravitational cell detection and tracking in fluorescence microscopy
data [0.18828620190012021]
我々は、現代の機械学習モデルと競合し、潜在的に勝る可能性のある重力場に基づく新しいアプローチを提案する。
この方法では、検出、セグメンテーション、トラッキング要素が含まれ、その結果はCell Tracking Challengeデータセットで示される。
論文 参考訳（メタデータ） (2023-12-06T14:08:05Z) - Machine Learning for Leaf Disease Classification: Data, Techniques and
Applications [14.73818032506552]
近年、機械学習は、学術研究と産業応用の両方において葉病分類に採用されている。
この研究は、データ、技術、アプリケーションを含むトピックのさまざまな側面に関する調査を提供する。
論文 参考訳（メタデータ） (2023-10-19T06:21:21Z) - Computer Vision on X-ray Data in Industrial Production and Security
Applications: A survey [89.45221564651145]
本稿では,コンピュータビジョンと機械学習を用いた産業生産およびセキュリティアプリケーションにおけるX線分析に関する最近の研究をレビューする。
公開されているデータセット上でのアプリケーション、テクニック、評価メトリクス、データセット、それらのテクニックのパフォーマンス比較をカバーしている。
論文 参考訳（メタデータ） (2022-11-10T13:37:36Z) - Deep Learning to See: Towards New Foundations of Computer Vision [88.69805848302266]
この本はコンピュータビジョンの分野における科学的進歩を批判している。
情報に基づく自然法則の枠組みにおける視覚の研究を提案する。
論文 参考訳（メタデータ） (2022-06-30T15:20:36Z) - Scientific Machine Learning Benchmarks [0.17205106391379021]
ディープラーニングニューラルネットワークのブレークスルーは、非常に大規模な実験データセットの分析にAIと機械学習技術の使用を変革した。
科学データセットの分析に最も適した機械学習アルゴリズムを特定することは、科学者にとって依然として課題である。
科学機械学習ベンチマークの開発における我々のアプローチを解説し、科学機械学習ベンチマークに対する他のアプローチについてレビューする。
論文 参考訳（メタデータ） (2021-10-25T10:05:11Z) - Ultrafast Focus Detection for Automated Microscopy [0.0]
連続的に収集した電子顕微鏡画像に対する高速な焦点検出アルゴリズムを提案する。
本手法は, 従来のコンピュータビジョン技術に適応し, 様々な微細な組織学的特徴を検出する手法である。
アウト・オブ・フォーカス条件をほぼリアルタイムに検出するテストが実施されている。
論文 参考訳（メタデータ） (2021-08-26T22:24:41Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - Machine Learning Applications for Therapeutic Tasks with Genomics Data [49.98249191161107]
ゲノム学の機械学習応用に関する文献を、治療開発のレンズでレビューします。
治療パイプライン全体にわたるゲノミクス応用における22の機械学習を同定する。
この分野における7つの重要な課題を、拡大と影響の機会として挙げる。
論文 参考訳（メタデータ） (2021-05-03T21:20:20Z) - Self-Supervised Learning for Visual Summary Identification in Scientific
Publications [21.26121265868308]
要約に基づいて、出版物の視覚的な要約として機能する数字を選択するための新しいベンチマークデータセットを作成します。
図形キャプション付き図形へのインライン参照のマッチングに基づいて,自己教師付き学習手法を開発する。
生物医学およびコンピュータ科学の分野の実験は私達のモデルが芸術の状態を上回ることができることを示します。
論文 参考訳（メタデータ） (2020-12-21T09:48:58Z) - 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。