論文の概要: Taxonomy and evolution predicting using deep learning in images
- arxiv url: http://arxiv.org/abs/2206.14011v1
- Date: Tue, 28 Jun 2022 13:54:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-29 13:32:45.464602
- Title: Taxonomy and evolution predicting using deep learning in images
- Title（参考訳）: 画像の深層学習を用いた分類学と進化予測
- Authors: Jiewen Xiao, Wenbin Liao, Ming Zhang, Jing Wang, Jianxin Wang, Yihua
Yang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.98733710208427
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Molecular and morphological characters, as important parts of biological
taxonomy, are contradictory but need to be integrated. Organism's image
recognition and bioinformatics are emerging and hot problems nowadays but with
a gap between them. In this work, a multi-branching recognition framework
mediated by genetic information bridges this barrier, which establishes the
link between macro-morphology and micro-molecular information of mushrooms. The
novel multi-perspective structure is proposed to fuse the feature images from
three branching models, which significantly improves the accuracy of
recognition by about 10% and up to more than 90%. Further, genetic information
is implemented to the mushroom image recognition task by using genetic distance
embeddings as the representation space for predicting image distance and
species identification. Semantic overfitting of traditional classification
tasks and the granularity of fine-grained image recognition are also discussed
in depth for the first time. The generalizability of the model was investigated
in fine-grained scenarios using zero-shot learning tasks, which could predict
the taxonomic and evolutionary information of unseen samples. We presented the
first method to map images to DNA, namely used an encoder mapping image to
genetic distances, and then decoded DNA through a pre-trained decoder, where
the total test accuracy on 37 species for DNA prediction is 87.45%. This study
creates a novel recognition framework by systematically studying the mushroom
image recognition problem, bridging the gap between macroscopic biological
information and microscopic molecular information, which will provide a new
reference for intelligent biometrics in the future.
- Abstract（参考訳）: 生物学的分類学の重要な部分である分子的・形態的特徴は矛盾するが、統合する必要がある。
生物のイメージ認識とバイオインフォマティクスは近年、ホットな問題となっているが、両者の間にはギャップがある。
本研究では, 遺伝情報を利用した多分岐認識フレームワークがバリアを橋渡しし, マクロ形態学とキノコのマイクロ分子情報との関連を確立する。
3つの分岐モデルから特徴画像を融合し, 認識精度を約10%, 最大90%向上させるマルチパースペクティブ構造を提案する。
また、画像距離及び種識別を予測する表現空間として、遺伝的距離埋め込みを用いて、キノコ画像認識タスクに遺伝的情報を実装する。
従来の分類タスクのセマンティックなオーバーフィッティングときめ細かい画像認識の粒度についても,初めて深く議論した。
このモデルの一般化性はゼロショット学習タスクを用いてきめ細かいシナリオで検討され,未発見標本の分類学的および進化的情報を予測できた。
我々は、DNAに画像のマッピングを行う最初の方法、すなわち、エンコーダマッピング画像を遺伝的距離に使用し、事前訓練されたデコーダを介してDNAをデコードし、37種のDNA予測の総検査精度は87.45%である。
本研究では,キノコ画像認識問題を体系的に研究し,マクロな生体情報と微視的分子情報とのギャップを橋渡し,将来的な知的バイオメトリックスへの新たな参照を提供する新たな認識枠組みを提案する。
関連論文リスト
- CLIBD: Bridging Vision and Genomics for Biodiversity Monitoring at Scale [21.995678534789615]
コントラスト学習を用いて画像、バーコードDNA、および統合埋め込み空間における分類ラベルのテキストベース表現を整列する。
本手法は、ゼロショット学習タスクにおいて、従来の単一モダリティアプローチを8%以上精度で上回る。
論文 参考訳（メタデータ） (2024-05-27T17:57:48Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-05T19:45:12Z) - 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) - Discovering Novel Biological Traits From Images Using Phylogeny-Guided
Neural Networks [10.372001949268636]
本稿では,特徴ラベルに依存しない画像から進化的特徴を直接発見するための新しい手法を提案する。
提案手法であるPhylo-NNは、生物の画像を量子化された特徴ベクトルの列にエンコードする。
本研究は,多くの下流タスクにおいて生物学的に有意義な結果を生み出すためのアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2023-06-05T20:22:05Z) - Unsupervised ensemble-based phenotyping helps enhance the
discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。
教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。
これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文 参考訳（メタデータ） (2023-01-07T18:36:44Z) - Mushroom image recognition and distance generation based on
attention-mechanism model and genetic information [4.845860279763184]
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。
論文 参考訳（メタデータ） (2022-06-27T15:43:03Z) - Learning multi-scale functional representations of proteins from
single-cell microscopy data [77.34726150561087]
局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。
また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
論文 参考訳（メタデータ） (2022-05-24T00:00:07Z) - Self-Supervised Vision Transformers Learn Visual Concepts in
Histopathology [5.164102666113966]
我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。
我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
論文 参考訳（メタデータ） (2022-03-01T16:14:41Z) - Evolution Is All You Need: Phylogenetic Augmentation for Contrastive
Learning [1.7188280334580197]
生物配列埋め込みの自己監視型表現学習は、下流タスクにおける計算リソースの制約を緩和する。
進化的系統的増補を用いた対比学習が表現学習の目的として利用できることを示す。
論文 参考訳（メタデータ） (2020-12-25T01:35:06Z) - 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。