論文の概要: Toward a Flexible Metadata Pipeline for Fish Specimen Images
- arxiv url: http://arxiv.org/abs/2211.15472v1
- Date: Fri, 18 Nov 2022 23:25:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-04 14:34:55.516418
- Title: Toward a Flexible Metadata Pipeline for Fish Specimen Images
- Title(参考訳): 魚検体画像の柔軟なメタデータパイプラインを目指して
- Authors: Dom Jebbia, Xiaojun Wang, Yasin Bakis, Henry L. Bart Jr., and Jane
Greenberg
- Abstract要約: 本稿では,30万枚以上のデジタル魚の標本画像を含むコレクションのためのフレキシブルなメタデータパイプラインの開発を目的としたイニシアチブについて報告する。
画像とその関連メタデータは、自動種識別、セグメンテーション、形質抽出を含むAI関連科学研究に使用されている。
- 参考スコア(独自算出の注目度): 1.0838759597899268
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Flexible metadata pipelines are crucial for supporting the FAIR data
principles. Despite this need, researchers seldom report their approaches for
identifying metadata standards and protocols that support optimal flexibility.
This paper reports on an initiative targeting the development of a flexible
metadata pipeline for a collection containing over 300,000 digital fish
specimen images, harvested from multiple data repositories and fish
collections. The images and their associated metadata are being used for
AI-related scientific research involving automated species identification,
segmentation and trait extraction. The paper provides contextual background,
followed by the presentation of a four-phased approach involving: 1. Assessment
of the Problem, 2. Investigation of Solutions, 3. Implementation, and 4.
Refinement. The work is part of the NSF Harnessing the Data Revolution, Biology
Guided Neural Networks (NSF/HDR-BGNN) project and the HDR Imageomics Institute.
An RDF graph prototype pipeline is presented, followed by a discussion of
research implications and conclusion summarizing the results.
- Abstract(参考訳): FAIRデータ原則をサポートするためには、柔軟なメタデータパイプラインが不可欠です。
この必要性にもかかわらず、研究者は最適な柔軟性をサポートするメタデータ標準やプロトコルを特定するためのアプローチをほとんど報告しない。
本稿では,複数のデータレポジトリおよび魚類コレクションから収集した30万以上のデジタル魚標本画像を含むコレクションのための柔軟なメタデータパイプラインの開発を目標としたイニシアチブについて報告する。
画像とその関連メタデータは、自動種識別、セグメンテーション、形質抽出を含むAI関連科学研究に使用されている。
論文は文脈的背景を提供し、続いて4段階のアプローチを提示する。
1.問題の評価
2.解決法の検討
3.実装、及び
4.留置所。
この研究は、NSF Harnessing the Data Revolution, Biology Guided Neural Networks (NSF/HDR-BGNN)プロジェクトとHDR Imageomics Instituteの一部である。
RDFグラフのプロトタイプパイプラインが提示され、その結果を要約した研究内容と結論が議論される。
関連論文リスト
- Let's Roll: Synthetic Dataset Analysis for Pedestrian Detection Across
Different Shutter Types [7.0441427250832644]
本稿では,機械学習(ML)オブジェクト検出モデルに異なるシャッター機構が与える影響について検討する。
特に、合成合成されたGSとRSのデータセットを用いて、主流検出モデルを訓練し、評価する。
論文 参考訳(メタデータ) (2023-09-15T04:07:42Z) - PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。
提案手法は画像とテキストデータを融合して生成プロセスを強化する。
我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
論文 参考訳(メタデータ) (2023-09-01T22:08:32Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - Exploiting Multimodal Synthetic Data for Egocentric Human-Object
Interaction Detection in an Industrial Scenario [14.188006024550257]
EgoISM-HOIは,手や物体のアノテーションが豊富な産業環境下で合成されたEHOI画像からなる,新しいマルチモーダルデータセットである。
本研究は,提案手法を事前学習するために合成データを活用することにより,実世界のデータでテストした場合の性能が著しく向上することを示す。
この分野での研究を支援するため、私たちはデータセット、ソースコード、事前トレーニングされたモデルをhttps://iplab.dmi.unict.it/egoism-hoi.comで公開しています。
論文 参考訳(メタデータ) (2023-06-21T09:56:55Z) - Zero-shot Composed Text-Image Retrieval [72.43790281036584]
合成画像検索(CIR)の問題点を考察する。
テキストや画像などのマルチモーダル情報を融合し、クエリにマッチする画像を正確に検索し、ユーザの表現能力を拡張できるモデルをトレーニングすることを目的としている。
論文 参考訳(メタデータ) (2023-06-12T17:56:01Z) - Pushing the Limits of Simple Pipelines for Few-Shot Learning: External
Data and Fine-Tuning Make a Difference [74.80730361332711]
コンピュータビジョンにおいて、ほとんどショット学習は重要かつトピック的な問題である。
単純なトランスフォーマーベースのパイプラインは、標準ベンチマークで驚くほど優れたパフォーマンスが得られることを示す。
論文 参考訳(メタデータ) (2022-04-15T02:55:58Z) - ChiNet: Deep Recurrent Convolutional Learning for Multimodal Spacecraft
Pose Estimation [3.964047152162558]
本稿では,ランデブーシーケンスからの時間情報を組み込んで,宇宙船の相対的な姿勢を推定する革新的な深層学習パイプラインを提案する。
畳み込みニューラルネットワーク(CNN)バックボーンによって抽出された特徴の処理のために、データのシーケンスをモデル化する上で、LSTM(Long Short-term memory)ユニットのパフォーマンスを活用する。
3つの異なるトレーニング戦略が組み合わさって、特徴学習を容易にし、回帰によるエンドツーエンドのポーズ推定を改善する。
論文 参考訳(メタデータ) (2021-08-23T16:48:58Z) - TDA-Net: Fusion of Persistent Homology and Deep Learning Features for
COVID-19 Detection in Chest X-Ray Images [0.7734726150561088]
トポロジカルデータ分析は、データセットの構造を抽出し比較するための堅牢なツールとして登場した。
両強力なツールの特徴を捉えるために,トポロジと深い特徴を融合した新しいアンサンブルネットワークである textitTDA-Net を提案する。
論文 参考訳(メタデータ) (2021-01-21T01:51:12Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-14T16:50:50Z) - A DICOM Framework for Machine Learning Pipelines against Real-Time
Radiology Images [50.222197963803644]
Nifflerは、研究クラスタでの機械学習パイプラインの実行を可能にする統合フレームワークである。
ニフラーはDigital Imaging and Communications in Medicine (DICOM)プロトコルを使用して画像データの取得と保存を行っている。
我々は,そのアーキテクチャと3つのユースケースを提示する: リアルタイムに画像から下大静脈フィルターを検出すること,スキャナ利用の同定,およびスキャナクロックの校正。
論文 参考訳(メタデータ) (2020-04-16T21:06:49Z)
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。