論文の概要: Digital Taxonomist: Identifying Plant Species in Citizen Scientists' Photographs

• arxiv url: http://arxiv.org/abs/2106.03774v1
• Date: Mon, 7 Jun 2021 16:38:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 23:22:55.879442
• Title: Digital Taxonomist: Identifying Plant Species in Citizen Scientists' Photographs
• Title（参考訳）: デジタル分類学者:市民科学者の写真で植物種を特定する
• Authors: Riccardo de Lutio, Yihang She, Stefano D'Aronco, Stefania Russo, Philipp Brun, Jan D. Wegner, Konrad Schindler
• Abstract要約: 画像データだけで 植物標本を分類するのは 難しい。 ほとんどの種は、空間的、時間的、生態的な文脈に関する副次的な情報を伴っている。 統合フレームワークにおけるこれらの追加手法を考慮した機械学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 22.061682739457343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic identification of plant specimens from amateur photographs could improve species range maps, thus supporting ecosystems research as well as conservation efforts. However, classifying plant specimens based on image data alone is challenging: some species exhibit large variations in visual appearance, while at the same time different species are often visually similar; additionally, species observations follow a highly imbalanced, long-tailed distribution due to differences in abundance as well as observer biases. On the other hand, most species observations are accompanied by side information about the spatial, temporal and ecological context. Moreover, biological species are not an unordered list of classes but embedded in a hierarchical taxonomic structure. We propose a machine learning model that takes into account these additional cues in a unified framework. Our Digital Taxonomist is able to identify plant species in photographs more correctly.
• Abstract（参考訳）: アマチュア写真からの植物標本の自動識別は、種の範囲マップを改善し、生態系の研究と保全活動を支援する。 しかし、画像データのみに基づく植物標本の分類は困難であり、いくつかの種は視覚的な外観に大きなバリエーションを示し、同時に異なる種もしばしば視覚的に類似している。 一方、ほとんどの種は、空間的、時間的、生態的な文脈に関するサイド情報と共に観察される。 さらに、生物種は階層的な分類学的構造に埋め込まれた無秩序な分類のリストではない。 統合フレームワークにおけるこれらの追加手法を考慮した機械学習モデルを提案する。 我々のDigital Taxonomistは、写真の植物種をより正確に識別することができます。

関連論文リスト

• Comparing fine-grained and coarse-grained object detection for ecology [0.5755004576310334]
  単一クラスにおける複数種の組み合わせによるモデル結果への影響について検討した。 一つのクラスにマージすることで最も恩恵を受けた種は、主に形態学的に類似した種であることがわかりました。 形態学的に類似した種を機能群あるいは高い分類群として分類し,生態学的推測を導出できることが示唆された。
  論文  参考訳（メタデータ） (2024-05-06T04:50:55Z)
• TEPI: Taxonomy-aware Embedding and Pseudo-Imaging for Scarcely-labeled Zero-shot Genome Classification [0.0]
  種の遺伝コードまたはゲノムは、貴重な進化的、生物学的、系統学的情報をコードする。 従来のバイオインフォマティクスツールは顕著な進歩を遂げているが、スケーラビリティに欠け、計算コストも高い。 TEPI, 分類認識型埋め込み, Pseudo-Imaging を用いたゼロショット学習によりこの問題に対処することを提案する。
  論文  参考訳（メタデータ） (2024-01-24T04:16:28Z)
• 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)
• Discovering Novel Biological Traits From Images Using Phylogeny-Guided Neural Networks [10.372001949268636]
  本稿では,特徴ラベルに依存しない画像から進化的特徴を直接発見するための新しい手法を提案する。 提案手法であるPhylo-NNは、生物の画像を量子化された特徴ベクトルの列にエンコードする。 本研究は,多くの下流タスクにおいて生物学的に有意義な結果を生み出すためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-06-05T20:22:05Z)
• 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)
• Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
  本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。 私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
  論文  参考訳（メタデータ） (2022-10-24T14:37:09Z)
• 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)
• A Review of Visual Descriptors and Classification Techniques Used in Leaf Species Identification [0.0]
  植物学における主要な研究分野は、植物種同定、高スペクトル画像を用いた雑草分類、植物の健康状態のモニタリング、葉の生長の追跡、葉情報の意味論的解釈などである。 植物学者は、葉の形状、先端、基部、葉の縁、葉の静脈、葉のテクスチャと複合葉の葉の配置を区別することで、植物種を識別し易い。 特定の種、それらに影響を与える病気、葉の成長パターンなどを精査するために、葉を認識して特徴付けるインテリジェントなシステムが必要である。
  論文  参考訳（メタデータ） (2020-09-13T14:11:00Z)
• 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)
• 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。