論文の概要: Ensembles of Vision Transformers as a New Paradigm for Automated
Classification in Ecology
- arxiv url: http://arxiv.org/abs/2203.01726v1
- Date: Thu, 3 Mar 2022 14:16:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-04 15:28:23.156446
- Title: Ensembles of Vision Transformers as a New Paradigm for Automated
Classification in Ecology
- Title（参考訳）: 生態学的自動分類のための新しいパラダイムとしての視覚トランスフォーマーのアンサンブル
- Authors: S. Kyathanahally, T. Hardeman, M. Reyes, E. Merz, T. Bulas, F. Pomati,
and M. Baity-Jesi
- Abstract要約: データ効率のよい画像変換器(DeiTs)のアンサンブルが従来のSOTA(SOTA)よりも大幅に優れていたことを示す。
テストしたすべてのデータセットに対して、新しいSOTAを実現し、以前のSOTAの18.48%から87.50%の誤差を削減した。
- 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: Monitoring biodiversity is paramount to manage and protect natural resources,
particularly in times of global change. Collecting images of organisms over
large temporal or spatial scales is a promising practice to monitor and study
biodiversity change of natural ecosystems, providing large amounts of data with
minimal interference with the environment. Deep learning models are currently
used to automate classification of organisms into taxonomic units. However,
imprecision in these classifiers introduce a measurement noise that is
difficult to control and can significantly hinder the analysis and
interpretation of data. In our study, we show that this limitation can be
overcome by ensembles of Data-efficient image Transformers (DeiTs), which
significantly outperform the previous state of the art (SOTA). We validate our
results on a large number of ecological imaging datasets of diverse origin, and
organisms of study ranging from plankton to insects, birds, dog breeds, animals
in the wild, and corals. On all the data sets we test, we achieve a new SOTA,
with a reduction of the error with respect to the previous SOTA ranging from
18.48% to 87.50%, depending on the data set, and often achieving performances
very close to perfect classification. The main reason why ensembles of DeiTs
perform better is not due to the single-model performance of DeiTs, but rather
to the fact that predictions by independent models have a smaller overlap, and
this maximizes the profit gained by ensembling. This positions DeiT ensembles
as the best candidate for image classification in biodiversity monitoring.
- Abstract（参考訳）: 生物多様性のモニタリングは天然資源の管理と保護に最重要である。
大きな時間的または空間的なスケールで生物の画像を収集することは、自然生態系の生物多様性の変化を監視し、研究する上で有望なプラクティスであり、環境への干渉を最小限に抑えた大量のデータを提供する。
ディープラーニングモデルは現在、生物の分類単位への分類を自動化するために使われている。
しかし、これらの分類器の精度は、制御が困難であり、データの分析や解釈を著しく妨げうる測定ノイズをもたらす。
本研究では,データ効率の高い画像トランスフォーマー (deits) のアンサンブルによって,この限界を克服できることを示す。
我々は,様々な起源の多くの生態画像データセットと,プランクトンから昆虫,鳥類,犬種,野生動物,サンゴまで幅広い生物について,その結果を検証した。
テストするすべてのデータセットについて、データセットによっては、以前のsomaに対するエラーを18.48%から87.50%まで削減し、多くの場合、完全な分類に非常に近いパフォーマンスを達成します。
DeiTsのアンサンブルが優れている主な理由は、DiTsのシングルモデルのパフォーマンスによるものではなく、独立したモデルによる予測が重なり合いが小さく、それによって得られる利益が最大になるという事実による。
これにより、DeiTのアンサンブルは生物多様性監視における画像分類の最良の候補となる。
関連論文リスト
- DivShift: Exploring Domain-Specific Distribution Shift in Volunteer-Collected Biodiversity Datasets [0.0]
約800万のiNaturalist植物画像のキュレートされたデータセットであるDivShift-NAWC(DivShift-NAWC)を紹介した。
モデル性能を既知の4つのバイアスで比較し、それらが実際にモデル性能を損なうことを観察する。
我々は、気候変動が世界の生物多様性に与える影響を監視するために、データセットをキュレートしてディープラーニングモデルを訓練する実践的戦略を提案する。
論文 参考訳（メタデータ） (2024-10-17T23:56:30Z) - Deep learning-based ecological analysis of camera trap images is impacted by training data quality and size [11.153016596465593]
アフリカサバンナとアジア亜熱帯乾燥林のカメラトラップデータの解析を行った。
我々は、専門家による種同定から得られた重要な生態指標と、深層ニューラルネットワークから生成された指標を比較した。
その結果、モデルアーキテクチャは最小限の影響しか与えないが、大量のノイズとデータセットサイズがこれらの指標に大きく影響していることが判明した。
論文 参考訳（メタデータ） (2024-08-26T15:26:27Z) - Enhancing Ecological Monitoring with Multi-Objective Optimization: A Novel Dataset and Methodology for Segmentation Algorithms [17.802456388479616]
オーストラリア, ニューサウスウェールズ州ベガバレーで, 外来種および外来種を捉えた6,096個の高分解能空中画像のユニークなセマンティックセマンティックセマンティクスデータセットを導入した。
このデータセットは、草種の重複と分布のため、困難な課題を示す。
データセットとコードは公開され、コンピュータビジョン、機械学習、生態学の研究を促進することを目的としている。
論文 参考訳（メタデータ） (2024-07-25T18:27:27Z) - 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) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - 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) - Zoo-Tuning: Adaptive Transfer from a Zoo of Models [82.9120546160422]
Zoo-Tuningは、事前訓練されたモデルのパラメータをターゲットタスクに適応的に転送することを学ぶ。
我々は、強化学習、画像分類、顔のランドマーク検出など、様々なタスクに対するアプローチを評価した。
論文 参考訳（メタデータ） (2021-06-29T14:09:45Z) - Dynamic $\beta$-VAEs for quantifying biodiversity by clustering
optically recorded insect signals [0.6091702876917281]
本稿では,系統群によるデータのクラスタリングが可能な変分オートエンコーダ(VAE)の適応的変種を提案する。
南スカンジナビアの光記録昆虫信号に対する動的$beta$-VAEの有用性を実証した。
論文 参考訳（メタデータ） (2021-02-10T16:14:13Z) - 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) - 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。