論文の概要: Instance Segmentation of Microscopic Foraminifera

• arxiv url: http://arxiv.org/abs/2105.14191v1
• Date: Sat, 15 May 2021 10:46:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 10:57:43.904105
• Title: Instance Segmentation of Microscopic Foraminifera
• Title（参考訳）: 微視的有孔虫の事例分割
• Authors: Thomas Haugland Johansen, Steffen Aagaard S{\o}rensen, Kajsa M{\o}llersen, Fred Godtliebsen
• Abstract要約: 本稿では, 深層学習に基づくインスタンス分割モデルを用いて, 微視的フォアミニフェラの分類, 検出, セグメンテーションを行う。 本モデルは,COCO検出データセットから得られたモデル重みパラメータを用いて,Mask R-CNNアーキテクチャに基づく。
• 参考スコア（独自算出の注目度）: 0.0629976670819788
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foraminifera are single-celled marine organisms that construct shells that remain as fossils in the marine sediments. Classifying and counting these fossils are important in e.g. paleo-oceanographic and -climatological research. However, the identification and counting process has been performed manually since the 1800s and is laborious and time-consuming. In this work, we present a deep learning-based instance segmentation model for classifying, detecting, and segmenting microscopic foraminifera. Our model is based on the Mask R-CNN architecture, using model weight parameters that have learned on the COCO detection dataset. We use a fine-tuning approach to adapt the parameters on a novel object detection dataset of more than 7000 microscopic foraminifera and sediment grains. The model achieves a (COCO-style) average precision of $0.78 \pm 0.00$ on the classification and detection task, and $0.80 \pm 0.00$ on the segmentation task. When the model is evaluated without challenging sediment grain images, the average precision for both tasks increases to $0.84 \pm 0.00$ and $0.86 \pm 0.00$, respectively. Prediction results are analyzed both quantitatively and qualitatively and discussed. Based on our findings we propose several directions for future work, and conclude that our proposed model is an important step towards automating the identification and counting of microscopic foraminifera.
• Abstract（参考訳）: フォラミニフェラ(英: foraminifera)は、海洋堆積物の化石として残る貝殻を構成する単細胞海洋生物である。 これらの化石の分類と数え方は、例えば、重要である。 古海洋学・気候学研究。 しかし、1800年代から手作業で識別と数え上げが行われており、手間と時間を要する。 本研究では,マイクロフォアミニフェラの分類,検出,セグメント化を行う深層学習型インスタンスセグメンテーションモデルを提案する。 本モデルは,COCO検出データセットから得られたモデル重みパラメータを用いて,Mask R-CNNアーキテクチャに基づく。 我々は,700以上の微視的有孔虫と沈殿粒からなる新しい物体検出データセットにパラメータを適応させるために,微調整手法を用いる。 このモデルは、分類および検出タスクで0.78 pm 0.00$、セグメンテーションタスクで0.80 pm 0.00$の平均精度を達成している。 モデルが砂利粒子画像に挑戦することなく評価されると, 両課題の平均精度は0.84 pm 0.00$, 0.86 pm 0.00$となる。 予測結果は量的および質的に分析され、議論される。 この知見に基づき,今後の研究に向けたいくつかの方向性を提案し,このモデルが微視的有孔虫の同定と計数を自動化するための重要なステップであると結論づけた。

関連論文リスト

• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Prawn Morphometrics and Weight Estimation from Images using Deep Learning for Landmark Localization [2.778518997767646]
  我々は,黒トラエビ(Penaeus monodon)をモデル甲殻類として,体重推定と形態計測を自動化するための新しい手法を開発した。 形態計測解析では,検出されたランドマークを用いて5つの重要なエビ形質を抽出した。 実験の結果,新しいDL手法は,精度,堅牢性,効率の点で,既存のDL手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-07-15T07:05:06Z)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
  本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。 以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いた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は類似した結果を示す。 最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
  論文  参考訳（メタデータ） (2022-10-19T15:15:32Z)
• An Efficient Insect Pest Classification Using Multiple Convolutional Neural Network Based Models [0.3222802562733786]
  昆虫の分類は、様々な種類、スケール、形状、フィールドの複雑な背景、昆虫種間の外観的類似性から難しい課題である。 本研究では、注目、特徴ピラミッド、きめ細かいモデルを含む、さまざまな畳み込みニューラルネットワークベースのモデルを提示する。 実験の結果、これらの畳み込みニューラルネットワークベースのモデルを組み合わせることで、これらの2つのデータセットの最先端の手法よりもパフォーマンスが向上することが示された。
  論文  参考訳（メタデータ） (2021-07-26T12:53:28Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)
• Automatic identification of fossils and abiotic grains during carbonate microfacies analysis using deep convolutional neural networks [1.520387509697271]
  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。
  論文  参考訳（メタデータ） (2020-09-24T00:58:48Z)
• Automatic sleep stage classification with deep residual networks in a mixed-cohort setting [63.52264764099532]
  我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。 総合的な分類精度はトレーニングデータの分数を増やして向上した。
  論文  参考訳（メタデータ） (2020-08-21T10:48:35Z)
• 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)
• A CNN Framenwork Based on Line Annotations for Detecting Nematodes in Microscopic Images [2.724386468930924]
  畳み込みニューラルネットワーク(CNN)を用いた顕微鏡画像における虫形物体検出のための枠組みを提案する。 線が湾曲した線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線状線線 軽量のバックボーンネットワークでは75.85 %の精度、73.02 %のリコールと84.20 %の精度、85.63 %のリコールを公的なC. elegansデータセットで達成している。
  論文  参考訳（メタデータ） (2020-04-21T07:48:02Z)
• Towards detection and classification of microscopic foraminifera using transfer learning [0.0]
  ミクロ化石の分類と数え方は海洋学と気候学において重要なツールである。 微視的フォアミニフェラの検出と分類が可能な深層学習モデルの開発に向けた第一歩が提案されている。 バレンツ海地域の微視的フォアミニフェラと堆積物からなる新しい画像データセットが導入された。
  論文  参考訳（メタデータ） (2020-01-14T13:57:08Z)

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。