論文の概要: Towards Phytoplankton Parasite Detection Using Autoencoders
- arxiv url: http://arxiv.org/abs/2303.08744v1
- Date: Wed, 15 Mar 2023 16:35:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 13:05:48.205143
- Title: Towards Phytoplankton Parasite Detection Using Autoencoders
- Title(参考訳): オートエンコーダを用いた植物プランクトン寄生虫検出に向けて
- Authors: Simon Bilik, Daniel Baktrakhanov, Tuomas Eerola, Lumi Haraguchi, Kaisa
Kraft, Silke Van den Wyngaert, Jonna Kangas, Conny Sj\"oqvist, Karin Madsen,
Lasse Lensu, Heikki K\"alvi\"ainen, Karel Horak
- Abstract要約: 本稿では,オリジナルおよびオートエンコーダで再構成されたサンプルの類似性に基づく教師なし異常検出システムを提案する。
植物プランクトン9種のF1スコアは0.75点に達した。
- 参考スコア(独自算出の注目度): 0.1745666658262611
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Phytoplankton parasites are largely understudied microbial components with a
potentially significant ecological impact on phytoplankton bloom dynamics. To
better understand their impact, we need improved detection methods to integrate
phytoplankton parasite interactions in monitoring aquatic ecosystems. Automated
imaging devices usually produce high amount of phytoplankton image data, while
the occurrence of anomalous phytoplankton data is rare. Thus, we propose an
unsupervised anomaly detection system based on the similarity of the original
and autoencoder-reconstructed samples. With this approach, we were able to
reach an overall F1 score of 0.75 in nine phytoplankton species, which could be
further improved by species-specific fine-tuning. The proposed unsupervised
approach was further compared with the supervised Faster R-CNN based object
detector. With this supervised approach and the model trained on plankton
species and anomalies, we were able to reach the highest F1 score of 0.86.
However, the unsupervised approach is expected to be more universal as it can
detect also unknown anomalies and it does not require any annotated anomalous
data that may not be always available in sufficient quantities. Although other
studies have dealt with plankton anomaly detection in terms of non-plankton
particles, or air bubble detection, our paper is according to our best
knowledge the first one which focuses on automated anomaly detection
considering putative phytoplankton parasites or infections.
- Abstract(参考訳): 植物プランクトン寄生虫は、主に未熟な微生物成分であり、植物プランクトン・ブルーム・ダイナミクスに潜在的に重要な生態的影響がある。
水生生態系のモニタリングにおいて,植物プランクトンと寄生虫の相互作用を統合する方法の改善が必要である。
自動撮像装置は通常大量の植物プランクトン画像データを生成するが、異常な植物プランクトンデータの発生は稀である。
そこで本研究では,オリジナルおよび自動エンコーダ再構成標本の類似性に基づく教師なし異常検出システムを提案する。
このアプローチにより,9種の植物プランクトン種において総F1スコア0.75に達することができ,種特異的な微調整によりさらに改善することができた。
提案手法はより高速なr-cnnベースの物体検出器と比較された。
この指導的アプローチとプランクトン種および異常を訓練したモデルにより、我々は最高F1スコア0.86に達することができた。
しかし、未知の異常も検出できるため、教師なしのアプローチはより普遍的であり、常に十分な量で利用できないような注釈付き異常データを必要としない。
他の研究では、非プランクトン粒子や気泡検出の観点からプランクトン異常検出を扱っているが、本論文は、植物プランクトン寄生虫や感染症を考慮に入れた自動異常検出に焦点を当てたものである。
関連論文リスト
- Fast spline detection in high density microscopy data [0.0]
多生物系の顕微鏡的研究において、衝突と重なりの問題は依然として困難である。
そこで,本研究では,一般的なモチーフと重なり合うスプラインの正確な形状軌跡を抽出する,エンドツーエンドの深層学習手法を開発した。
線虫Caenorhabditis elegansの密集実験における使用性の設定と実証を行った。
論文 参考訳(メタデータ) (2023-01-11T13:40:05Z) - Efficient Unsupervised Learning for Plankton Images [12.447149371717]
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。
論文 参考訳(メタデータ) (2022-09-14T15:33:16Z) - 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) - Catching Both Gray and Black Swans: Open-set Supervised Anomaly
Detection [90.32910087103744]
ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。
これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。
トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。
本稿では,オープンセット型教師付き異常検出に取り組む。
論文 参考訳(メタデータ) (2022-03-28T05:21:37Z) - 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) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳(メタデータ) (2021-08-01T14:33:17Z) - Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and
Supervised Learning Methods in Adversarial Environments [63.942632088208505]
現在の運用環境に固有ののは、敵対的機械学習の実践である。
本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。
我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
論文 参考訳(メタデータ) (2021-05-14T10:05:10Z) - Toward Deep Supervised Anomaly Detection: Reinforcement Learning from
Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。
既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。
そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2020-09-15T03:05:39Z) - Manifolds for Unsupervised Visual Anomaly Detection [79.22051549519989]
トレーニングで必ずしも異常に遭遇しない教師なしの学習方法は、非常に有用です。
ジャイロプレーン層を用いた立体投影による超球形変分オートエンコーダ(VAE)を開発した。
工業用AIシナリオにおける実世界の実用性を実証し、精密製造および検査における視覚異常ベンチマークの最先端結果を示す。
論文 参考訳(メタデータ) (2020-06-19T20:41:58Z)
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。