論文の概要: Unlocking the potential of deep learning for marine ecology: overview, applications, and outlook

• arxiv url: http://arxiv.org/abs/2109.14737v1
• Date: Wed, 29 Sep 2021 21:59:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-01 15:09:41.556086
• Title: Unlocking the potential of deep learning for marine ecology: overview, applications, and outlook
• Title（参考訳）: 海洋生態学における深層学習の可能性 : 概観, 応用, 展望
• Authors: Morten Goodwin, Kim Tallaksen Halvorsen, Lei Jiao, Kristian Muri Knausg{\aa}rd, Angela Helen Martin, Marta Moyano, Rebekah A. Oomen, Jeppe Have Rasmussen, Tonje Knutsen S{\o}rdalen, Susanna Huneide Thorbj{\o}rnsen
• Abstract要約: 本稿では,海洋生態学者と計算機科学者のギャップを埋めることを目的としている。 本研究では, 一般的な深層学習手法を, 平易な言語における生態データ分析に適用する。 我々は,海洋生態学への深層学習の確立と新たな応用を通じて,課題と機会を解説する。
• 参考スコア（独自算出の注目度）: 8.3226670069051
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The deep learning revolution is touching all scientific disciplines and corners of our lives as a means of harnessing the power of big data. Marine ecology is no exception. These new methods provide analysis of data from sensors, cameras, and acoustic recorders, even in real time, in ways that are reproducible and rapid. Off-the-shelf algorithms can find, count, and classify species from digital images or video and detect cryptic patterns in noisy data. Using these opportunities requires collaboration across ecological and data science disciplines, which can be challenging to initiate. To facilitate these collaborations and promote the use of deep learning towards ecosystem-based management of the sea, this paper aims to bridge the gap between marine ecologists and computer scientists. We provide insight into popular deep learning approaches for ecological data analysis in plain language, focusing on the techniques of supervised learning with deep neural networks, and illustrate challenges and opportunities through established and emerging applications of deep learning to marine ecology. We use established and future-looking case studies on plankton, fishes, marine mammals, pollution, and nutrient cycling that involve object detection, classification, tracking, and segmentation of visualized data. We conclude with a broad outlook of the field's opportunities and challenges, including potential technological advances and issues with managing complex data sets.
• Abstract（参考訳）: ディープラーニング革命は、ビッグデータのパワーを活用する手段として、私たちの生活のあらゆる科学分野やコーナーに触れている。 海洋生態学は例外ではない。 これらの新しい手法は、センサー、カメラ、音響レコーダーからのデータを、再現性と迅速な方法でリアルタイムで分析する。 市販のアルゴリズムは、デジタル画像やビデオから種を見つけ、数え、分類し、ノイズの多いデータの中で暗号パターンを検出する。 このような機会を利用するには、生態学とデータサイエンスの分野をまたがるコラボレーションが必要です。 本論文は, 海洋生態学者と計算機科学者のギャップを埋めることを目的として, これらの協力の促進と, 海洋生態系管理への深層学習の活用を促進する。 我々は、平易な言語による生態データ分析のための一般的なディープラーニングアプローチを考察し、深層ニューラルネットワークを用いた教師付き学習の手法に注目し、海洋生態学へのディープラーニングの確立および新興の応用を通じて課題と機会を説明する。 可視化データのオブジェクト検出,分類,追跡,セグメンテーションを含むプランクトン,魚,海洋哺乳類,汚染,栄養循環の確立と将来的なケーススタディを用いた。 我々は、複雑なデータセットの管理に関する潜在的な技術進歩や問題を含む、この分野の機会と課題の幅広い見通しで締めくくっている。

関連論文リスト

• Reducing Label Dependency for Underwater Scene Understanding: A Survey of Datasets, Techniques and Applications [3.4210271593052606]
  調査は、人間の専門家の入力への依存を減らすアプローチに焦点を当てている。 弱く自己監督的な深層学習の背景を提供し、これらの要素を水中モニタリング、コンピュータビジョン、深層学習の交差点を中心とする分類学に統合する。
  論文  参考訳（メタデータ） (2024-11-18T05:16:09Z)
• 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)
• 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)
• Applications of Deep Learning in Fish Habitat Monitoring: A Tutorial and Survey [1.9249287163937976]
  ディープラーニング(DL)は最先端のAI技術であり、ビジュアルデータを分析する上で前例のないパフォーマンスを示している。 本稿では,DLの重要な概念を網羅するチュートリアルを紹介し,DLの動作に関する高レベルな理解を支援する。 チュートリアルではまた、水中魚のモニタリングのような挑戦的な応用のために、DLアルゴリズムをどのように開発すべきかをステップバイステップで説明する。
  論文  参考訳（メタデータ） (2022-06-11T01:59:54Z)
• Seeing biodiversity: perspectives in machine learning for wildlife conservation [49.15793025634011]
  機械学習は、野生生物種の理解、モニタリング能力、保存性を高めるために、この分析的な課題を満たすことができると我々は主張する。 本質的に、新しい機械学習アプローチとエコロジー分野の知識を組み合わせることで、動物生態学者は現代のセンサー技術が生み出すデータの豊富さを生かすことができる。
  論文  参考訳（メタデータ） (2021-10-25T13:40:36Z)
• 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)
• Cetacean Translation Initiative: a roadmap to deciphering the communication of sperm whales [97.41394631426678]
  最近の研究では、非ヒト種における音響コミュニケーションを分析するための機械学習ツールの約束を示した。 マッコウクジラの大量生物音響データの収集と処理に必要な重要な要素について概説する。 開発された技術能力は、非人間コミュニケーションと動物行動研究を研究する幅広いコミュニティにおいて、クロス応用と進歩をもたらす可能性が高い。
  論文  参考訳（メタデータ） (2021-04-17T18:39:22Z)
• Complex data labeling with deep learning methods: Lessons from fisheries acoustics [0.0]
  本論文は, 根拠となる真理ラベルが不要であるケーススタディ, エコーグラフラベリングに焦点を当てた。 我々は、非定常データセットでトレーニングされた畳み込みニューラルネットワークが、人間の専門家の補正を必要とする新しいデータセットの一部を強調するために使用できることを実証した。
  論文  参考訳（メタデータ） (2020-10-21T13:49:34Z)
• A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
  我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。 このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
  論文  参考訳（メタデータ） (2020-06-05T08:04:37Z)
• Deep Learning for Community Detection: Progress, Challenges and Opportunities [79.26787486888549]
  この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。 この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
  論文  参考訳（メタデータ） (2020-05-17T11:22:11Z)

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。