論文の概要: On the use of uncertainty in classifying Aedes Albopictus mosquitoes
- arxiv url: http://arxiv.org/abs/2110.15912v1
- Date: Fri, 29 Oct 2021 16:58:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-01 14:18:17.374714
- Title: On the use of uncertainty in classifying Aedes Albopictus mosquitoes
- Title（参考訳）: Aedes Albopictus 蚊の分類における不確実性の利用について
- Authors: Gereziher Adhane and Mohammad Mahdi Dehshibi and David Masip
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、画像中の蚊を認識するためにいくつかの研究で使われてきた。
本稿では,モンテカルロ・ドロップアウト法を用いて不確実性のスコアを推定し,分類標本のランク付けを行う。
- 参考スコア（独自算出の注目度）: 1.6758573326215689
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The re-emergence of mosquito-borne diseases (MBDs), which kill hundreds of
thousands of people each year, has been attributed to increased human
population, migration, and environmental changes. Convolutional neural networks
(CNNs) have been used by several studies to recognise mosquitoes in images
provided by projects such as Mosquito Alert to assist entomologists in
identifying, monitoring, and managing MBD. Nonetheless, utilising CNNs to
automatically label input samples could involve incorrect predictions, which
may mislead future epidemiological studies. Furthermore, CNNs require large
numbers of manually annotated data. In order to address the mentioned issues,
this paper proposes using the Monte Carlo Dropout method to estimate the
uncertainty scores in order to rank the classified samples to reduce the need
for human supervision in recognising Aedes albopictus mosquitoes. The estimated
uncertainty was also used in an active learning framework, where just a portion
of the data from large training sets was manually labelled. The experimental
results show that the proposed classification method with rejection outperforms
the competing methods by improving overall performance and reducing
entomologist annotation workload. We also provide explainable visualisations of
the different regions that contribute to a set of samples' uncertainty
assessment.
- Abstract（参考訳）: 毎年数十万人が死亡する蚊性疾患(MBD)の再発は、人口増加、移住、環境の変化によるものと考えられている。
コンボリューショナルニューラルネットワーク(CNN)は、モスキート・アラートなどのプロジェクトが提供する画像から蚊を認識し、MBDの同定、モニタリング、管理を支援するために、いくつかの研究で使用されている。
それでも、入力サンプルを自動的にラベル付けするためにCNNを利用するには、誤った予測が伴う可能性がある。
さらに、CNNは大量の手動アノテートデータを必要とする。
以上の課題に対処するため,本研究ではモンテカルロ・ドロップアウト法を用いて分類標本のランク付けを行い,アデデス・アルボピクトス蚊の認識における人為的監督の必要性を低減することを提案する。
推定された不確実性は、大規模なトレーニングセットのデータの一部を手動でラベル付けするアクティブな学習フレームワークでも使用された。
提案手法は, 総合的な性能向上と昆虫学者のアノテーション作業量削減により, 提案手法よりも優れていることを示す。
また,試料の不確実性評価に寄与する異なる領域の説明可能な可視化も提供する。
関連論文リスト
- Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。
混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。
UE識別のための反復フィルタリング手法を提案する。
論文 参考訳（メタデータ） (2024-08-15T13:26:13Z) - Hypothesis-Driven Deep Learning for Out of Distribution Detection [0.8191518216608217]
本稿では,新しいサンプルがInDなのかOoDなのかを定量化する仮説駆動型手法を提案する。
細菌のサンプルを学習した深層学習モデルに適応させ,InDとOoDの潜伏反応の解釈的差異を明らかにする。
論文 参考訳（メタデータ） (2024-03-21T01:06:47Z) - Automated detection of Zika and dengue in Aedes aegypti using neural
spiking analysis [8.034395623865906]
Aedes aegypti 蚊は多くの医療上重要なウイルスの主要なベクターである。
現在、蚊にはオープンソースのニューラルスパイク分類方法がない。
我々は,非感染,デング熱,ジカ熱感染蚊の神経スパイクを分類する,革新的な人工知能に基づく手法を提案する。
論文 参考訳（メタデータ） (2023-12-14T04:52:54Z) - Exploring Model Dynamics for Accumulative Poisoning Discovery [62.08553134316483]
そこで我々は,モデルレベルの情報を通して,防衛を探索するための新しい情報尺度,すなわち,記憶の離散性(Memorization Discrepancy)を提案する。
暗黙的にデータ操作の変更をモデル出力に転送することで、メモリ識別は許容できない毒のサンプルを発見することができる。
我々は、その性質を徹底的に探求し、累積中毒に対する防御のために、離散型サンプル補正(DSC)を提案する。
論文 参考訳（メタデータ） (2023-06-06T14:45:24Z) - Autonomous Mosquito Habitat Detection Using Satellite Imagery and
Convolutional Neural Networks for Disease Risk Mapping [0.0]
モスキトベクターは毎年100万人以上の死者を出す病気の感染で知られている。
ドローン、UAV、その他の空中撮像技術といった現代のアプローチは、実装にコストがかかり、より精密な空間スケールでのみ正確である。
提案した畳み込みニューラルネットワーク(CNN)アプローチは、疾病リスクマッピングや、よりグローバルなスケールでの予防的取り組みのガイドに応用することができる。
論文 参考訳（メタデータ） (2022-03-09T00:54:59Z) - A deep convolutional neural network for classification of Aedes
albopictus mosquitoes [1.6758573326215689]
本稿では2つのDeep Convolutional Neural Networksを,分類タスクの自動化のための比較研究に適用する。
移動学習の原理を用いて、Mosquito Alertプロジェクトが提供するデータに基づいて、2つの最先端アーキテクチャを訓練する。
さらに,Grad-CAMアルゴリズムに基づく説明可能なモデルを適用し,分類画像の最も識別性の高い領域を可視化した。
論文 参考訳（メタデータ） (2021-10-29T17:58:32Z) - HumBugDB: A Large-scale Acoustic Mosquito Dataset [15.108701811353097]
本稿では,蚊の飛行中を連続的に追跡した音響記録の大規模多種多様なデータセットについて述べる。
専門的にラベル付けされ、タグ付けされた20時間の音声記録を、正確に時間内に提示する。
18時間の録音には36種のアノテーションが含まれている。
論文 参考訳（メタデータ） (2021-10-14T14:18:17Z) - High performing ensemble of convolutional neural networks for insect
pest image detection [124.23179560022761]
害虫の寄生は作物の被害の主な原因であり、世界中の収入を失った。
我々は異なるトポロジに基づいてCNNのアンサンブルを生成する。
ディープネットワーク最適化のための2つの新しいAdamアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-28T00:49:11Z) - Unsupervised neural adaptation model based on optimal transport for
spoken language identification [54.96267179988487]
トレーニングセットとテストセット間の音響音声の統計的分布のミスマッチにより,音声言語識別(SLID)の性能が大幅に低下する可能性がある。
SLIDの分布ミスマッチ問題に対処するために,教師なしニューラル適応モデルを提案する。
論文 参考訳（メタデータ） (2020-12-24T07:37:19Z) - Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。
標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。
原理的に部分観測可能なベイズ的枠組みを提案する。
論文 参考訳（メタデータ） (2020-09-12T20:37:33Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z)
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。