論文の概要: Efficient Unsupervised Learning for Plankton Images

• arxiv url: http://arxiv.org/abs/2209.06726v1
• Date: Wed, 14 Sep 2022 15:33:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-15 12:44:07.166465
• Title: Efficient Unsupervised Learning for Plankton Images
• Title（参考訳）: プランクトン画像の効率的な教師なし学習
• Authors: Paolo Didier Alfano, Marco Rando, Marco Letizia, Francesca Odone, Lorenzo Rosasco, Vito Paolo Pastore
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.447149371717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monitoring plankton populations in situ is fundamental to preserve the aquatic ecosystem. Plankton microorganisms are in fact susceptible of minor environmental perturbations, that can reflect into consequent morphological and dynamical modifications. Nowadays, the availability of advanced automatic or semi-automatic acquisition systems has been allowing the production of an increasingly large amount of plankton image data. The adoption of machine learning algorithms to classify such data may be affected by the significant cost of manual annotation, due to both the huge quantity of acquired data and the numerosity of plankton species. To address these challenges, we propose an efficient unsupervised learning pipeline to provide accurate classification of plankton microorganisms. We build a set of image descriptors exploiting a two-step procedure. First, a Variational Autoencoder (VAE) is trained on features extracted by a pre-trained neural network. We then use the learnt latent space as image descriptor for clustering. We compare our method with state-of-the-art unsupervised approaches, where a set of pre-defined hand-crafted features is used for clustering of plankton images. The proposed pipeline outperforms the benchmark algorithms for all the plankton datasets included in our analysis, providing better image embedding properties.
• Abstract（参考訳）: 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。 プランクトン微生物は、実際には小さな環境摂動の影響を受けやすく、形態学的および動的変化に反映される。 今日では、高度な自動的または半自動的な取得システムが利用可能になり、ますます大量のプランクトン画像データの生産が可能になった。 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、大量の取得データとプランクトンの種数の両方のため、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。 これらの課題に対処するために,プランクトン微生物の正確な分類を行うための効率的な教師なし学習パイプラインを提案する。 2段階の手順を利用する画像記述子群を構築する。 まず、予め訓練されたニューラルネットワークによって抽出された特徴に基づいて変分オートエンコーダ(vae)を訓練する。 次に、学習した潜在空間をクラスタリングのイメージ記述子として使用します。 提案手法を最先端の教師なし手法と比較し,プランクトン画像のクラスタリングに予め定義された手作り特徴セットを用いる。 提案するパイプラインは,解析に含まれるすべてのプランクトンデータセットのベンチマークアルゴリズムよりも優れており,画像埋め込み特性が向上している。

関連論文リスト

• MPT: A Large-scale Multi-Phytoplankton Tracking Benchmark [36.37530623015916]
  本稿では,様々な背景情報と観測時の動作変化を網羅するベンチマークデータセットであるMultiple Phytoplankton Tracking (MPT)を提案する。 このデータセットには27種類の植物プランクトンと動物プランクトンが含まれ、14種類の背景があり、多様な複雑な水中環境をシミュレートしている。 標準特徴抽出器の出力残量を予測するための追加特徴抽出器を導入し、抽出器の異なる層の特徴に基づいて多スケールのフレーム間類似性を計算した。
  論文  参考訳（メタデータ） (2024-10-22T04:57:28Z)
• Deep-learning-powered data analysis in plankton ecology [31.874825130479174]
  ディープラーニングアルゴリズムの実装は、プランクトン生態学に新たな視点をもたらした。 深層学習は様々な環境下でプランクトン生物を研究する客観的スキームを提供する。
  論文  参考訳（メタデータ） (2023-09-15T16:04:11Z)
• 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)
• Ensembles of Vision Transformers as a New Paradigm for Automated Classification in Ecology [0.0]
  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。
  論文  参考訳（メタデータ） (2022-03-03T14:16:22Z)
• Deep Learning Classification of Lake Zooplankton [0.0]
  湖沼プランクトンの同定のために開発された深層学習モデルについて述べる。 この目的のために,我々は17900年の動物園プランクトンと大型植物プランクトンコロニーの画像に対して35のクラスに注釈を付けた。 最良モデルは転送学習とアンサンブルに基づいて,98%の精度と93%のF1スコアでプランクトン画像を分類した。
  論文  参考訳（メタデータ） (2021-08-11T14:57:43Z)
• 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)
• 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)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• 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。