論文の概要: Visual Microfossil Identificationvia Deep Metric Learning

• arxiv url: http://arxiv.org/abs/2112.09490v1
• Date: Fri, 17 Dec 2021 13:00:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-20 16:01:58.353181
• Title: Visual Microfossil Identificationvia Deep Metric Learning
• Title（参考訳）: ディープメトリックラーニングによる視覚マイクロフォスシル識別
• Authors: Tayfun Karaderi, Tilo Burghardt, Allison Y. Hsiang, Jacob Ramaer, Daniela N. Schmidt
• Abstract要約: 顕微鏡画像上での板状孔殻の分類に計量学習を適用した。 表現型プランクティック・フォアミニファー空間を初めて科学的に可視化する。 この領域では、メトリクス学習がCNNベースの最先端ベンチマークを全て上回ることを示す。
• 参考スコア（独自算出の注目度）: 1.3199511198128897
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We apply deep metric learning for the first time to the prob-lem of classifying planktic foraminifer shells on microscopic images. This species recognition task is an important information source and scientific pillar for reconstructing past climates. All foraminifer CNN recognition pipelines in the literature produce black-box classifiers that lack visualisation options for human experts and cannot be applied to open set problems. Here, we benchmark metric learning against these pipelines, produce the first scientific visualisation of the phenotypic planktic foraminifer morphology space, and demonstrate that metric learning can be used to cluster species unseen during training. We show that metric learning out-performs all published CNN-based state-of-the-art benchmarks in this domain. We evaluate our approach on the 34,640 expert-annotated images of the Endless Forams public library of 35 modern planktic foraminifera species. Our results on this data show leading 92% accuracy (at 0.84 F1-score) in reproducing expert labels on withheld test data, and 66.5% accuracy (at 0.70 F1-score) when clustering species never encountered in training. We conclude that metric learning is highly effective for this domain and serves as an important tool towards expert-in-the-loop automation of microfossil identification. Key code, network weights, and data splits are published with this paper for full reproducibility.
• Abstract（参考訳）: 顕微鏡画像上におけるプランクティック・フォアミニファー貝殻の分類法として,初めて深度計測学習を適用した。 この種認識タスクは、過去の気候を再構築するための重要な情報源および科学的柱である。 文献中のすべてのforaminifer cnn認識パイプラインは、人間の専門家の視覚化オプションがなく、オープンセット問題に適用できないブラックボックス分類器を生成する。 ここでは,これらのパイプラインに対して計量学習をベンチマークし,表現型プランクティック・フォアミニファー・モルフォロジー空間を初めて科学的に可視化し,トレーニング中に見つからない種をクラスタリングするためにメートル法学習を用いることを実証する。 この領域では、メトリクス学習がCNNベースの最先端ベンチマークを全て上回ることを示す。 本稿は,35種の現生プラクティック・フォアミニフェラ種からなるEndless Forams公立図書館の34,640名の専門家による注釈画像に対するアプローチを評価する。 このデータによる結果は、保持されていないテストデータで専門家ラベルを再現する場合の92%の精度(0.84 f1-score)、クラスタリング種が訓練中に遭遇しない場合の66.5%の精度(0.70 f1-score)を示す。 我々は,この領域においてメトリック学習は極めて効果的であり,マイクロフォスシル識別のエキスパート・イン・ザ・ループ自動化のための重要なツールである,と結論づける。 本論文では、鍵コード、ネットワーク重み、データ分割を完全な再現性のために公開する。

関連論文リスト

• High-Throughput Phenotyping using Computer Vision and Machine Learning [0.0]
  我々はオークリッジ国立研究所が提供した1,672枚のPopulus Trichocarpaの画像と白ラベルで治療を行った。 光文字認識(OCR)は、植物上でこれらのラベルを読むために用いられた。 機械学習モデルを用いて,これらの分類に基づいて処理を予測し,解析されたEXIFタグを用いて葉の大きさと表現型間の相関を見いだした。
  論文  参考訳（メタデータ） (2024-07-08T19:46:31Z)
• WhaleNet: a Novel Deep Learning Architecture for Marine Mammals Vocalizations on Watkins Marine Mammal Sound Database [49.1574468325115]
  textbfWhaleNet (Wavelet Highly Adaptive Learning Ensemble Network) は海洋哺乳動物の発声を分類するための高度な深層アンサンブルアーキテクチャである。 既存のアーキテクチャよりも8-10%の精度で分類精度を向上し、分類精度は9,7.61%である。
  論文  参考訳（メタデータ） (2024-02-20T11:36:23Z)
• A Saliency-based Clustering Framework for Identifying Aberrant Predictions [49.1574468325115]
  本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。 本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。 本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
  論文  参考訳（メタデータ） (2023-11-11T01:53:59Z)
• 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)
• Deep Visual-Genetic Biometrics for Taxonomic Classification of Rare Species [1.9819034119774483]
  本稿では、ドメイン間の関連性を暗黙的に符号化して性能を向上させることを目的とした、協調した視覚的遺伝的推論空間を提案する。 30k以上のプランクティック・フォアミニファー貝殻の顕微鏡像に応用して,この概念の有効性を実験的に実証した。 視覚的遺伝子アライメントは、最も稀な種の視覚のみの認識に大いに有用である。
  論文  参考訳（メタデータ） (2023-05-11T10:04:27Z)
• Tree-Based Learning on Amperometric Time Series Data Demonstrates High Accuracy for Classification [0.0]
  計算科学におけるデータ駆動型アプローチを用いて,多様なアンペロメトリデータセットに対する分類法を提案する。 非常に高い予測精度(95%以上)を示す。 これは機械学習のスキームを提案し、特にフルアンペロメトリ時系列データに基づく教師あり学習を提案する最初の研究の1つである。
  論文  参考訳（メタデータ） (2023-02-06T09:44:53Z)
• Triple-stream Deep Metric Learning of Great Ape Behavioural Actions [3.8820728151341717]
  本研究では,類人猿の行動行動認識のための最初の計量学習システムを提案する。 提案する3重ストリーム埋め込みアーキテクチャは、野生で直接撮影されたカメラトラップビデオで動作する。
  論文  参考訳（メタデータ） (2023-01-06T18:36:04Z)
• White Matter Tracts are Point Clouds: Neuropsychological Score Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
  ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。 各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。 Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
  論文  参考訳（メタデータ） (2022-07-06T02:03:28Z)
• Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
  トレーニングデータアーティファクトの識別を容易にする手法を提案する。 提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。 我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-07-01T09:26:13Z)
• Automatic identification of fossils and abiotic grains during carbonate microfacies analysis using deep convolutional neural networks [1.520387509697271]
  堆積物環境の解釈や古生態学的復元には, 薄片の微細構造同定に基づく岩石学的解析が広く用いられている。 骨格の断片の形態学的および微細構造的多様性を識別するには、微生物の化石形態の広範な事前知識が必要である。
  論文  参考訳（メタデータ） (2020-09-24T00:58:48Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。