論文の概要: Mushroom image recognition and distance generation based on
attention-mechanism model and genetic information
- arxiv url: http://arxiv.org/abs/2206.13383v1
- Date: Mon, 27 Jun 2022 15:43:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 15:36:17.583599
- Title: Mushroom image recognition and distance generation based on
attention-mechanism model and genetic information
- Title（参考訳）: 注意・機械モデルと遺伝的情報に基づくキノコ画像認識と距離生成
- Authors: Wenbin Liao, Jiewen Xiao, Chengbo Zhao, Yonggong Han, ZhiJie Geng,
Jianxin Wang, Yihua Yang
- Abstract要約: 注目機構に基づく新しいモデルであるMushroomNetを提案し,バックボーンモデルとして軽量ネットワークMobileNetV3を適用した。
パブリックデータセットでは、MushroomNetモデルのテスト精度が83.9%に達し、ローカルデータセットでは、テスト精度が77.4%に達した。
その結果,MES活性化関数はキノコの遺伝的距離を非常に正確に予測できるが,精度はSoftMaxよりも低いことがわかった。
- 参考スコア（独自算出の注目度）: 4.845860279763184
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The species identification of Macrofungi, i.e. mushrooms, has always been a
challenging task. There are still a large number of poisonous mushrooms that
have not been found, which poses a risk to people's life. However, the
traditional identification method requires a large number of experts with
knowledge in the field of taxonomy for manual identification, it is not only
inefficient but also consumes a lot of manpower and capital costs. In this
paper, we propose a new model based on attention-mechanism, MushroomNet, which
applies the lightweight network MobileNetV3 as the backbone model, combined
with the attention structure proposed by us, and has achieved excellent
performance in the mushroom recognition task. On the public dataset, the test
accuracy of the MushroomNet model has reached 83.9%, and on the local dataset,
the test accuracy has reached 77.4%. The proposed attention mechanisms well
focused attention on the bodies of mushroom image for mixed channel attention
and the attention heat maps visualized by Grad-CAM. Further, in this study,
genetic distance was added to the mushroom image recognition task, the genetic
distance was used as the representation space, and the genetic distance between
each pair of mushroom species in the dataset was used as the embedding of the
genetic distance representation space, so as to predict the image distance and
species. identify. We found that using the MES activation function can predict
the genetic distance of mushrooms very well, but the accuracy is lower than
that of SoftMax. The proposed MushroomNet was demonstrated it shows great
potential for automatic and online mushroom image and the proposed automatic
procedure would assist and be a reference to traditional mushroom
classification.
- Abstract（参考訳）: マクロファンギ、すなわちキノコの種識別は、常に困難な課題であった。
まだ発見されていない有毒なキノコが多数存在し、人々の生活に危険をもたらす。
しかし、従来の識別法では、手動識別の分類学の分野で多くの専門家が必要であり、非効率であるだけでなく、多くの人的力や資本コストも消費している。
本稿では,軽量ネットワークmobilenetv3をバックボーンモデルとして適用し,提案する注意構造を組み合わせることで,キノコ認識タスクにおいて優れた性能を実現する,注意機構に基づく新しいモデルであるキノコネットを提案する。
パブリックデータセットでは、キノコネットモデルのテスト精度が83.9%に達し、ローカルデータセットではテスト精度が77.4%に達した。
提案する注意機構は,混合チャンネル注意のためのキノコ画像とgrad-camで可視化された注意熱マップに注目した。
さらに,本研究では,キノコ画像認識タスクに遺伝的距離を付加し,その表現空間として遺伝的距離を用い,データセット中の各キノコ種間の遺伝的距離を遺伝的距離表現空間の埋め込みとして使用し,画像距離と種を予測した。
識別しろ
その結果,MES活性化関数はキノコの遺伝的距離を非常に正確に予測できるが,精度はSoftMaxよりも低いことがわかった。
提案したMushroomNetは,オンラインキノコ画像とオンラインキノコ画像に非常に有意な可能性を示し,提案した自動処理が従来のキノコ分類の参考となることを実証した。
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) - Genetic InfoMax: Exploring Mutual Information Maximization in
High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。
画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。
本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文 参考訳（メタデータ） (2023-09-26T03:59:21Z) - 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) - Few-Shot Learning Enables Population-Scale Analysis of Leaf Traits in
Populus trichocarpa [1.9089478605920305]
この研究は、(i)最小のトレーニングデータを必要とする高速で正確な画像ベースの特徴抽出のための方法と、(ii)68種類の葉の表現型を含む新しい集団規模のデータセットを、ドメイン科学者や機械学習研究者向けに植物表現型コミュニティに提供するように設計されている。
数発の学習コード、データ、結果はすべて公開されています。
論文 参考訳（メタデータ） (2023-01-24T23:40:01Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳（メタデータ） (2022-10-24T14:37:09Z) - Taxonomy and evolution predicting using deep learning in images [9.98733710208427]
本研究では,キノコ画像認識問題を体系的に研究することで,新しい認識枠組みを創出する。
そこで本研究では,DNAにDNAをマッピングする最初の方法として,遺伝子距離にエンコーダマッピング画像を使用し,事前に訓練したデコーダを介してDNAをデコードする手法を提案する。
論文 参考訳（メタデータ） (2022-06-28T13:54:14Z) - Towards a Deeper Understanding of Skeleton-based Gait Recognition [4.812321790984493]
近年、ほとんどの歩行認識法は、人のシルエットを使って歩行の特徴を抽出している。
モデルに基づく手法はこれらの問題に悩まされず、身体関節の時間運動を表現することができる。
本研究では,高次入力と残差ネットワークを組み合わせたグラフ畳み込みネットワーク(GCN)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-04-16T18:23:37Z) - 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) - 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) - Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。
シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文 参考訳（メタデータ） (2020-05-18T21:57:47Z) - 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。