Fugu-MT 論文翻訳(概要): Towards ML Methods for Biodiversity: A Novel Wild Bee Dataset and Evaluations of XAI Methods for ML-Assisted Rare Species Annotations

論文の概要: Towards ML Methods for Biodiversity: A Novel Wild Bee Dataset and Evaluations of XAI Methods for ML-Assisted Rare Species Annotations

arxiv url: http://arxiv.org/abs/2206.07497v1
Date: Wed, 15 Jun 2022 12:48:05 GMT
ステータス: 処理完了
システム内更新日: 2022-06-16 14:18:18.796708
Title: Towards ML Methods for Biodiversity: A Novel Wild Bee Dataset and Evaluations of XAI Methods for ML-Assisted Rare Species Annotations
Title（参考訳）: 生物多様性のためのML法に向けて:新しい野生ビーデータセットとML支援希少種アノテーションのためのXAI法の評価
Authors: Teodor Chiaburu, Felix Biessmann and Frank Hausser
Abstract要約: 昆虫は私たちの生態系の重要な部分です。残念ながら、ここ数十年で、虫の数は大幅に減少しています。このプロセスをよりよく理解し、昆虫の個体数を監視するために、Deep Learningは実行可能なソリューションを提供するかもしれない。本稿では,iNaturalistデータベースから採取した野生ミツバチの詳細な注釈画像のデータセットを提案する。ワイルドビーデータセットでトレーニングされたResNetモデルは、他のきめ細かいデータセットでトレーニングされた同様の最先端モデルに匹敵する分類スコアを達成する。
参考スコア（独自算出の注目度）: 3.947933139348889
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Insects are a crucial part of our ecosystem. Sadly, in the past few decades, their numbers have worryingly decreased. In an attempt to gain a better understanding of this process and monitor the insects populations, Deep Learning may offer viable solutions. However, given the breadth of their taxonomy and the typical hurdles of fine grained analysis, such as high intraclass variability compared to low interclass variability, insect classification remains a challenging task. There are few benchmark datasets, which impedes rapid development of better AI models. The annotation of rare species training data, however, requires expert knowledge. Explainable Artificial Intelligence (XAI) could assist biologists in these annotation tasks, but choosing the optimal XAI method is difficult. Our contribution to these research challenges is threefold: 1) a dataset of thoroughly annotated images of wild bees sampled from the iNaturalist database, 2) a ResNet model trained on the wild bee dataset achieving classification scores comparable to similar state-of-the-art models trained on other fine-grained datasets and 3) an investigation of XAI methods to support biologists in annotation tasks.
Abstract（参考訳）: 昆虫は生態系の重要な部分です。残念なことに、ここ数十年でその数は大幅に減少した。このプロセスをよりよく理解し、昆虫の個体数を監視するために、Deep Learningは実行可能なソリューションを提供するかもしれない。しかし、分類学の広さと、クラス内変異率の高いクラス内変異率などの細粒度解析の典型的なハードルを考えると、昆虫分類は依然として困難な課題である。ベンチマークデータセットはほとんどなく、より良いAIモデルの迅速な開発を妨げる。しかし、希少種訓練データの注釈には専門家の知識が必要である。説明可能な人工知能(XAI)は、これらのアノテーションタスクにおいて生物学者を支援することができるが、最適なXAI方法を選択することは難しい。これらの研究課題への私たちの貢献は3倍です 1)iNaturalistデータベースから採取した野生ミツバチの完全な注釈画像のデータセット。 2) 他のきめ細かいデータセットで訓練された類似の最先端モデルに匹敵する分類スコアを達成する野生の蜂データセットで訓練されたresnetモデル 3) アノテーションタスクにおける生物学者支援のためのxai手法の検討

関連論文リスト

Explainable few-shot learning workflow for detecting invasive and exotic tree species [42.30413964219434]
本研究は,ブラジルのアトランティック・フォレストにおいて,外来樹種や外来樹種を検出するための,説明可能な数発の学習ワークフローを提案する。このワークフローは、Siameseネットワークと説明可能なAI(XAI)を統合することで、最小のラベル付きデータで木種の分類を可能にする。その結果,データスカース条件下においても,新たな木種を同定するためのワークフローの有効性が示された。
論文参考訳（メタデータ） (2024-11-01T15:45:19Z)
Explainable AI for Comparative Analysis of Intrusion Detection Models [20.683181384051395]
本研究は,ネットワークトラフィックから侵入検出を行うために,各種機械学習モデルを二分分類および多クラス分類のタスクに解析する。すべてのモデルをUNSW-NB15データセットで90%の精度でトレーニングしました。また、Random Forestは正確さ、時間効率、堅牢性という点で最高のパフォーマンスを提供します。
論文参考訳（メタデータ） (2024-06-14T03:11:01Z)
Deep Neural Network Identification of Limnonectes Species and New Class Detection Using Image Data [5.943822554753426]
ディープニューラルネットワークは、画像の分類を訓練された既知の種グループに分類することに成功した。このアルゴリズムは,既存のクラスに属さない場合には,イメージを新しいクラスに分類できることを示す。
論文参考訳（メタデータ） (2023-11-15T02:57:59Z)
A Step Towards Worldwide Biodiversity Assessment: The BIOSCAN-1M Insect Dataset [18.211840156134784]
本稿では,画像に基づく分類学的評価が可能なコンピュータビジョンモデルの訓練を目的とした,100万画像データセットを提案する。このデータセットは魅力的な特徴も示しており、その研究はより広範な機械学習コミュニティにとって興味深いものとなるだろう。
論文参考訳（メタデータ） (2023-07-19T20:54:08Z)
CellTranspose: Few-shot Domain Adaptation for Cellular Instance Segmentation [4.38301148531795]
我々は、最小限の新しい注釈付きデータとトレーニング時間を必要とするアプローチを設計する問題に対処する。我々は、いくつかの注釈付きサンプルを非常に効率的に活用する、特別な対照的な損失を設計する。
論文参考訳（メタデータ） (2022-12-28T23:00:50Z)
Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文参考訳（メタデータ） (2021-06-17T17:26:31Z)
Low-Regret Active learning [64.36270166907788]
トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
論文参考訳（メタデータ） (2021-04-06T22:53:45Z)
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)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文参考訳（メタデータ） (2020-06-06T06:48:40Z)
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。