論文の概要: Asian Giant Hornet Control based on Image Processing and Biological
Dispersal
- arxiv url: http://arxiv.org/abs/2111.13562v1
- Date: Fri, 26 Nov 2021 15:56:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-29 19:50:54.261917
- Title: Asian Giant Hornet Control based on Image Processing and Biological
Dispersal
- Title（参考訳）: 画像処理と生物分散に基づくアジアの巨大ホルネット制御
- Authors: Changjie Lu, Shen Zheng, Hailu Qiu
- Abstract要約: ワシントン州に現れたジャイアント・ホーネット(AGH)は、生体侵入の危険性がある。
我々は、データ解析、統計学、離散数学、深層学習技術を用いてAGHを分析し、AGHの拡散を制御する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Asian giant hornet (AGH) appeared in Washington State appears to have a
potential danger of bioinvasion. Washington State has collected public photos
and videos of detected insects for verification and further investigation. In
this paper, we analyze AGH using data analysis,statistics, discrete
mathematics, and deep learning techniques to process the data to controlAGH
spreading.First, we visualize the geographical distribution of insects in
Washington State. Then we investigate insect populations to varying months of
the year and different days of a month.Third, we employ wavelet analysis to
examine the periodic spread of AGH. Fourth, we apply ordinary differential
equations to examine AGH numbers at the different natural growthrate and
reaction speed and output the potential propagation coefficient. Next, we
leverage cellular automaton combined with the potential propagation coefficient
to simulate the geographical spread under changing potential propagation. To
update the model, we use delayed differential equations to simulate human
intervention. We use the time difference between detection time and submission
time to determine the unit of time to delay time. After that, we construct a
lightweight CNN called SqueezeNet and assess its classification performance. We
then relate several non-reference image quality metrics, including NIQE, image
gradient, entropy, contrast, and TOPSIS to judge the cause of
misclassification. Furthermore, we build a Random Forest classifier to identify
positive and negative samples based on image qualities only. We also display
the feature importance and conduct an error analysis. Besides, we present
sensitivity analysis to verify the robustness of our models. Finally, we show
the strengths and weaknesses of our model and derives the conclusions.
- Abstract（参考訳）: ワシントン州に出現したアジアの巨人ホーネット(agh)は、バイオインベーションの危険性があるようだ。
ワシントン州は、検出された昆虫の公開写真とビデオを収集し、さらなる調査を行っている。
本稿では,データ解析,統計学,離散数学,深層学習技術を用いてAGHの分析を行い,まずワシントン州における昆虫の地理的分布を可視化する。
次に,昆虫の個体群を年数と月数で調査し,第3に,aghの周期的分布を調べるためにウェーブレット解析を用いた。
第4に, 常微分方程式を適用し, 自然成長速度と反応速度の異なるAGH数を調べ, ポテンシャル伝搬係数を出力する。
次に,セルオートマトンと電位伝播係数を併用して,電位伝播の変化に伴う地理的拡散をシミュレートする。
モデルを更新するために,遅延微分方程式を用いて人間の介入をシミュレートする。
検出時間と提出時間との時間差を用いて,遅延時間に対する時間単位を決定する。
その後、SqueezeNetと呼ばれる軽量CNNを構築し、その分類性能を評価する。
次に,niqe,画像勾配,エントロピー,コントラスト,位相など,複数の非参照画像品質指標を関連付けて,誤分類の原因を判定した。
さらに,画像品質のみに基づいて正と負のサンプルを識別するランダムフォレスト分類器を構築した。
また、機能の重要性を示し、エラー分析を行う。
さらに,モデルのロバスト性を検証するために感度解析を行った。
最後に,モデルの強みと弱みを示し,結論を導出する。
関連論文リスト
- Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。
最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。
以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
論文 参考訳（メタデータ） (2024-05-27T13:26:34Z) - PlantPlotGAN: A Physics-Informed Generative Adversarial Network for
Plant Disease Prediction [2.7409168462107347]
リアルな植生指標を持つ合成多スペクトルプロット画像を作成することができる物理インフォームド・ジェネレーティブ・モデルであるPlanetPlotGANを提案する。
その結果, PlantPlotGANから生成された合成画像はFr'echet開始距離に関して最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2023-10-27T16:56:28Z) - 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) - Interpreting County Level COVID-19 Infection and Feature Sensitivity
using Deep Learning Time Series Models [1.101002667958165]
本稿では,ディープラーニングを用いてモデル予測のための特徴感度を学習する新しいフレームワークを提案する。
テンポラルフュージョントランスを用いた郡レベルの新型コロナウイルス感染予測を行った。
次に、Moris Methodを拡張した感度分析を使用して、出力が静的および動的入力機能に対してどれほど感度が高いかを確認します。
論文 参考訳（メタデータ） (2022-10-06T23:45:37Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - 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) - An Applied Deep Learning Approach for Estimating Soybean Relative
Maturity from UAV Imagery to Aid Plant Breeding Decisions [7.4022258821325115]
我々は,UAV画像の時系列を用いて,大豆の相対的成熟度を推定するための頑健で自動的なアプローチを開発した。
畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を組み合わせたエンドツーエンドハイブリッドモデルを提案する。
その結果,CNN-LSTMモデルの有効性を局所回帰法と比較した。
論文 参考訳（メタデータ） (2021-08-02T14:53:58Z) - Automatic Plant Cover Estimation with CNNs Automatic Plant Cover
Estimation with Convolutional Neural Networks [8.361945776819528]
畳み込みニューラルネットワーク(CNN)を用いて画像から関連データを自動抽出する手法について検討する。
我々は、平均絶対誤差5.16%のカスタムCNNを用いて、より高解像度の画像分解能で過去のアプローチより優れていることを発見した。
これらの調査に加えて,植物被覆画像の時間的側面に基づく誤差解析も行った。
論文 参考訳（メタデータ） (2021-06-21T14:52:01Z) - 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) - An Analysis of the Adaptation Speed of Causal Models [80.77896315374747]
最近、Bengioらは、すべての候補モデルの中で、$G$は、あるデータセットから別のデータセットに適応する最速のモデルであると推測した。
最適化からの収束率を用いた原因影響SCMの適応速度について検討する。
驚くべきことに、私たちは反因果モデルが有利である状況を見つけ、初期仮説を偽造する。
論文 参考訳（メタデータ） (2020-05-18T23:48:56Z) - 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。