論文の概要: Deep Learning Classification of Lake Zooplankton

• arxiv url: http://arxiv.org/abs/2108.05258v1
• Date: Wed, 11 Aug 2021 14:57:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-12 13:35:59.447022
• Title: Deep Learning Classification of Lake Zooplankton
• Title（参考訳）: 動物プランクトン湖の深層学習分類
• Authors: S. P. Kyathanahally, T. Hardeman, E. Merz, T. Kozakiewicz, M. Reyes, P. Isles, F. Pomati, M. Baity-Jesi
• Abstract要約: 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。
• 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: Plankton are effective indicators of environmental change and ecosystem health in freshwater habitats, but collection of plankton data using manual microscopic methods is extremely labor-intensive and expensive. Automated plankton imaging offers a promising way forward to monitor plankton communities with high frequency and accuracy in real-time. Yet, manual annotation of millions of images proposes a serious challenge to taxonomists. Deep learning classifiers have been successfully applied in various fields and provided encouraging results when used to categorize marine plankton images. Here, we present a set of deep learning models developed for the identification of lake plankton, and study several strategies to obtain optimal performances,which lead to operational prescriptions for users. To this aim, we annotated into 35 classes over 17900 images of zooplankton and large phytoplankton colonies, detected in Lake Greifensee (Switzerland) with the Dual Scripps Plankton Camera. Our best models were based on transfer learning and ensembling, which classified plankton images with 98% accuracy and 93% F1 score. When tested on freely available plankton datasets produced by other automated imaging tools (ZooScan, FlowCytobot and ISIIS), our models performed better than previously used models. Our annotated data, code and classification models are freely available online.
• Abstract（参考訳）: プランクトンは淡水生息地における環境変化と生態系の健康の効果的な指標であるが、手動顕微鏡によるプランクトンデータの収集は非常に労働集約的で高価である。 自動プランクトンイメージングは、プランクトンコミュニティを高頻度でリアルタイムに監視する、有望な方法を提供する。 しかし、何百万もの画像のマニュアルアノテーションは、分類学者にとって深刻な課題である。 深層学習分類器は様々な分野でうまく適用され、海洋プランクトン画像の分類に用いられると奨励的な結果が得られた。 本稿では,湖底プランクトンを同定するために開発された深層学習モデルと,最適な性能を得るためのいくつかの戦略について述べる。 この目的のために、17900以上の動物プランクトンと大型植物プランクトンコロニーの画像を35クラスに分類し、scripps planktonというデュアルカメラを用いてグライフェンセ湖(スウィッツァーランド)で検出した。 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。 他の自動撮像ツール(zooscan、flowcytobot、isiis)が生成する無償利用可能なプランクトンデータセットでテストした場合、従来のモデルよりも性能が向上した。 注釈付きデータ、コード、分類モデルはオンラインで無料で利用できます。

関連論文リスト

• MPT: A Large-scale Multi-Phytoplankton Tracking Benchmark [36.37530623015916]
  本稿では,様々な背景情報と観測時の動作変化を網羅するベンチマークデータセットであるMultiple Phytoplankton Tracking (MPT)を提案する。 このデータセットには27種類の植物プランクトンと動物プランクトンが含まれ、14種類の背景があり、多様な複雑な水中環境をシミュレートしている。 標準特徴抽出器の出力残量を予測するための追加特徴抽出器を導入し、抽出器の異なる層の特徴に基づいて多スケールのフレーム間類似性を計算した。
  論文  参考訳（メタデータ） (2024-10-22T04:57:28Z)
• Recognition of Harmful Phytoplankton from Microscopic Images using Deep Learning [1.03590082373586]
  プランクトン分布のモニタリングは、水生生態系の保全、地球環境の規制、環境保護の確保に不可欠である。 従来の監視方法は、しばしば時間を要する、コストがかかり、エラーが発生し、大規模アプリケーションには適さない。 ResNet, ResNeXt, DenseNet, EfficientNetなどの最新のCNNモデルを3つの伝達学習手法を用いて評価し, 顕微鏡画像から有害植物プランクトン11種の分類を行った。
  論文  参考訳（メタデータ） (2024-09-19T16:42:53Z)
• 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)
• Deep-learning-powered data analysis in plankton ecology [31.874825130479174]
  ディープラーニングアルゴリズムの実装は、プランクトン生態学に新たな視点をもたらした。 深層学習は様々な環境下でプランクトン生物を研究する客観的スキームを提供する。
  論文  参考訳（メタデータ） (2023-09-15T16:04:11Z)
• Efficient Unsupervised Learning for Plankton Images [12.447149371717]
  水生生態系の保全には,シチューにおけるプランクトン群集のモニタリングが不可欠である。 このようなデータを分類するための機械学習アルゴリズムの採用は、手動アノテーションの大幅なコストに影響される可能性がある。 プランクトン微生物の正確な分類を行うために,効率的な教師なし学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2022-09-14T15:33:16Z)
• Towards Generating Large Synthetic Phytoplankton Datasets for Efficient Monitoring of Harmful Algal Blooms [77.25251419910205]
  有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。 現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。 合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
  論文  参考訳（メタデータ） (2022-08-03T20:15:55Z)
• 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)
• Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
  In situ hybridization (ISH) gene expression pattern image from the same developmental stage。 正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。 限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T06:06:06Z)
• 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)
• 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。