Fugu-MT 論文翻訳(概要): Deep learning powered real-time identification of insects using citizen science data

論文の概要: Deep learning powered real-time identification of insects using citizen science data

arxiv url: http://arxiv.org/abs/2306.02507v1
Date: Sun, 4 Jun 2023 23:56:53 GMT
ステータス: 処理完了
システム内更新日: 2023-06-06 17:26:58.567409
Title: Deep learning powered real-time identification of insects using citizen science data
Title（参考訳）: 市民科学データを用いたディープラーニングによる昆虫のリアルタイム識別
Authors: Shivani Chiranjeevi, Mojdeh Sadaati, Zi K Deng, Jayanth Koushik, Talukder Z Jubery, Daren Mueller, Matthew E O Neal, Nirav Merchant, Aarti Singh, Asheesh K Singh, Soumik Sarkar, Arti Singh, Baskar Ganapathysubramanian
Abstract要約: InsectNetは、侵入した種を識別し、きめ細かい昆虫種を識別し、挑戦的な背景において効果的に働く。また、不確実な場合には予測を控え、シームレスな人間の介入を助長し、実用的で信頼できるツールにもなれる。
参考スコア（独自算出の注目度）: 17.13608307250744
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Insect-pests significantly impact global agricultural productivity and quality. Effective management involves identifying the full insect community, including beneficial insects and harmful pests, to develop and implement integrated pest management strategies. Automated identification of insects under real-world conditions presents several challenges, including differentiating similar-looking species, intra-species dissimilarity and inter-species similarity, several life cycle stages, camouflage, diverse imaging conditions, and variability in insect orientation. A deep-learning model, InsectNet, is proposed to address these challenges. InsectNet is endowed with five key features: (a) utilization of a large dataset of insect images collected through citizen science; (b) label-free self-supervised learning for large models; (c) improving prediction accuracy for species with a small sample size; (d) enhancing model trustworthiness; and (e) democratizing access through streamlined MLOps. This approach allows accurate identification (>96% accuracy) of over 2500 insect species, including pollinator (e.g., butterflies, bees), parasitoid (e.g., some wasps and flies), predator species (e.g., lady beetles, mantises, dragonflies) and harmful pest species (e.g., armyworms, cutworms, grasshoppers, stink bugs). InsectNet can identify invasive species, provide fine-grained insect species identification, and work effectively in challenging backgrounds. It also can abstain from making predictions when uncertain, facilitating seamless human intervention and making it a practical and trustworthy tool. InsectNet can guide citizen science data collection, especially for invasive species where early detection is crucial. Similar approaches may transform other agricultural challenges like disease detection and underscore the importance of data collection, particularly through citizen science efforts..
Abstract（参考訳）: 昆虫害は世界の農業生産性と品質に大きな影響を及ぼす。効果的な管理には、害虫や害虫を含む全昆虫群集を特定し、統合害虫管理戦略を策定・実施することが含まれる。実際の環境下での昆虫の自動識別は、類似した外観の種、種内相違と種間類似性、いくつかのライフサイクルステージ、カモフラージュ、多様な画像条件、昆虫の向きの変化など、いくつかの課題を示す。これらの課題に対処するために、ディープラーニングモデルであるInsectNetが提案されている。 InsectNetには5つの重要な機能がある。 a) 市民科学により収集された昆虫画像の大規模データセットの活用 b) 大規模モデルのラベルなし自己指導型学習 c) サンプルサイズが小さい種の予測精度を向上させること。 (d)モデル信頼性の向上、及び (e)合理化されたmlopsによるアクセスの民主化。このアプローチは、受粉者(例えば、蝶、ミツバチ)、寄生虫(例えば、ワニやハエ)、捕食者(例えば、カブトムシ、マンティス、トンボ)、害のある害虫(例えば、ヒメガメ、カブトムシ、バッタ、ステントガメ)を含む2500以上の昆虫の正確な識別(>96%の精度)を可能にする。 insectnetは侵入種を識別し、きめ細かな昆虫種を識別し、困難な状況下で効果的に働く。また、不確実な場合には予測を控え、シームレスな人間の介入を促進し、実用的で信頼できるツールになる。 insectnetは市民科学のデータ収集、特に早期発見が重要である侵入種についてガイドすることができる。同様のアプローチは、病気の検出のような他の農業上の課題を変革し、特に市民科学の努力を通じて、データ収集の重要性を強調します。 .

関連論文リスト

Deep-Wide Learning Assistance for Insect Pest Classification [1.9912919001438378]
昆虫害虫分類のための新しい学習支援であるDeWiについて紹介する。 1段階のトレーニング戦略と交互トレーニング戦略により、DeWiは同時に、いくつかの畳み込みニューラルネットワークを改善している。実験の結果,2つの害虫分類ベンチマークにおいて,DeWiが最も高い性能を示した。
論文参考訳（メタデータ） (2024-09-16T16:29:41Z)
Artificial Immune System of Secure Face Recognition Against Adversarial Attacks [67.31542713498627]
昆虫生産には最大限の可能性を実現するために最適化が必要ですこれは選択的育種による興味のある形質の改善が目的である。このレビューは、様々な分野の知識と、動物の繁殖、定量的遺伝学、進化生物学、昆虫学のギャップを埋めるものである。
論文参考訳（メタデータ） (2024-06-26T07:50:58Z)
A machine learning pipeline for automated insect monitoring [17.034158815607128]
カメラトラップは、これまでは地上の脊椎動物をモニタリングするために用いられていました。われわれは、カメラトラップによるマウスの自動監視のための、完全なオープンソースの機械学習ベースのソフトウェアパイプラインについて説明する。
論文参考訳（メタデータ） (2024-06-18T19:51:16Z)
Unleashing the Power of Transfer Learning Model for Sophisticated Insect Detection: Revolutionizing Insect Classification [0.520707246175575]
この研究では、MobileNetV2、ResNet152V2、Xecption、Custom CNNといったさまざまなモデルを使用します。 ResNet152V2アーキテクチャに基づく畳み込みニューラルネットワーク(CNN)の構築と評価を行った。この結果は、昆虫の分類と昆虫学研究における現実世界の応用の可能性を強調している。
論文参考訳（メタデータ） (2024-06-11T20:52:42Z)
InsectMamba: Insect Pest Classification with State Space Model [8.470757741028661]
InsectMambaは、ステートスペースモデル(SSM)、畳み込みニューラルネットワーク(CNN)、マルチヘッド自己認識機構(MSA)、マルチレイヤパーセプトロン(MLP)をMix-SSMブロックに統合する新しいアプローチである。 5種類の害虫分類データセットの強い競争相手に対して評価された。
論文参考訳（メタデータ） (2024-04-04T17:34:21Z)
Insect-Foundation: A Foundation Model and Large-scale 1M Dataset for Visual Insect Understanding [15.383106771910274]
現在のマシンビジョンモデルは、高性能を達成するために大量のデータを必要とする。 Insect-1M"データセットは,昆虫に関する基礎モデルトレーニングに革命をもたらすことを意図したゲーム変更リソースである。私たちのデータセットは、昆虫の幅広い範囲をカバーしており、100万枚の画像を含む分類分類階層と昆虫の記載の密度の高い識別ラベルは、昆虫学のパノラマ的なビューを提供する。
論文参考訳（メタデータ） (2023-11-26T06:17:29Z)
SatBird: Bird Species Distribution Modeling with Remote Sensing and Citizen Science Data [68.2366021016172]
本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。ケニアでは低データのレシエーションを表すデータセットも提供しています。リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
論文参考訳（メタデータ） (2023-11-02T02:00:27Z)
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)
Intestinal Parasites Classification Using Deep Belief Networks [53.20999552522241]
40億ドルの人々が腸内寄生虫に感染している。人間の視覚検査はまだ臨床診断の大部分を担当している。腸内寄生虫自動分類の文脈に深層信念ネットワークを導入する。
論文参考訳（メタデータ） (2021-01-17T18:47:02Z)
One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。 2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
論文参考訳（メタデータ） (2020-12-14T10:44:22Z)
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。