論文の概要: The FathomNet2023 Competition Dataset

• arxiv url: http://arxiv.org/abs/2307.08781v1
• Date: Mon, 17 Jul 2023 18:50:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-19 17:39:40.147902
• Title: The FathomNet2023 Competition Dataset
• Title（参考訳）: FathomNet2023競合データセット
• Authors: Eric Orenstein, Kevin Barnard, Lonny Lundsten, Genevi\`eve Patterson, Benjamin Woodward, and Kakani Katija
• Abstract要約: 海洋科学者は、何十年にもわたって海洋生物を研究するために、視覚データを収集してきた。 これらのデータを自動的に処理するツールもあるが、サンプル集団の極端な変動を処理できるツールは存在しない。 画像やビデオのシーケンスが新しい生物、珍しい動物のコレクションを含むことを認識できるモデルや、そうでなければ海中の視覚データを完全に活用することが重要である。
• 参考スコア（独自算出の注目度）: 0.8180522890142969
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Ocean scientists have been collecting visual data to study marine organisms for decades. These images and videos are extremely valuable both for basic science and environmental monitoring tasks. There are tools for automatically processing these data, but none that are capable of handling the extreme variability in sample populations, image quality, and habitat characteristics that are common in visual sampling of the ocean. Such distribution shifts can occur over very short physical distances and in narrow time windows. Creating models that are able to recognize when an image or video sequence contains a new organism, an unusual collection of animals, or is otherwise out-of-sample is critical to fully leverage visual data in the ocean. The FathomNet2023 competition dataset presents a realistic scenario where the set of animals in the target data differs from the training data. The challenge is both to identify the organisms in a target image and assess whether it is out-of-sample.
• Abstract（参考訳）: 海洋科学者は何十年も海洋生物を研究するために視覚データを収集してきた。 これらの画像とビデオは、基本的な科学と環境モニタリングの両方に非常に価値がある。 これらのデータを自動で処理するツールもあるが、サンプル集団の極端な変動、画像の品質、海洋の視覚的なサンプリングに共通する生息地特性を処理できるツールは存在しない。 このような分布シフトは、非常に短い物理的距離と狭い時間窓で起こりうる。 画像やビデオのシーケンスが新しい生物、珍しい動物のコレクションを含むことを認識できるモデルを作成することは、海の視覚データを完全に活用する上で非常に重要である。 fathomnet2023コンペティションデータセットは、ターゲットデータ内の動物の集合がトレーニングデータと異なる現実的なシナリオを示す。 課題は、ターゲット画像中の生物を識別し、サンプル外かどうかを評価することである。

関連論文リスト

• Estimating the distribution of numerosity and non-numerical visual magnitudes in natural scenes using computer vision [0.08192907805418582]
  自然の視覚的な場面では、異なる数列の出現頻度は、電力法分布に従うことを示す。 本研究では, 連続度と数値の相関構造が, データセット, シーンタイプ間で安定であることを示す。
  論文  参考訳（メタデータ） (2024-09-17T09:49:29Z)
• 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)
• Vision meets algae: A novel way for microalgae recognization and health monitor [6.731844884087066]
  このデータセットは、異なる状態の藻属と同じ属の異なる状態の画像を含む。 このデータセット上で、TOOD、YOLOv5、YOLOv8およびRCNNアルゴリズムの変種をトレーニング、検証、テストしました。 その結果,1段階と2段階の物体検出モデルの両方で平均精度が向上した。
  論文  参考訳（メタデータ） (2022-11-14T17:11:15Z)
• 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)
• Florida Wildlife Camera Trap Dataset [48.99466876948454]
  フロリダ州南西部の2つの異なる場所から収集された野生生物カメラトラップ分類データセットについて紹介する。 データセットは104,495枚の画像からなり、視覚的に類似した種、様々な照明条件、スキュードクラス分布、絶滅危惧種のサンプルを含む。
  論文  参考訳（メタデータ） (2021-06-23T18:53:15Z)
• Generating Physically-Consistent Satellite Imagery for Climate Visualizations [53.61991820941501]
  我々は,将来的な洪水や森林再生イベントの合成衛星画像を作成するために,生成的敵ネットワークを訓練する。 純粋なディープラーニングベースのモデルでは、洪水の可視化を生成することができるが、洪水の影響を受けない場所では幻覚的な洪水が発生する。 我々は,地球観測におけるセグメンテーションガイドによる画像と画像の変換のためのコードとデータセットを公開している。
  論文  参考訳（メタデータ） (2021-04-10T15:00:15Z)
• Unifying data for fine-grained visual species classification [15.14767769034929]
  465種にまたがる2.9M画像に基づいて訓練した,初期の深部畳み込みニューラルネットワークモデルを提案する。 長期的な目標は、科学者が種数と人口の健康状態のほぼリアルタイムでの分析から、保護的なレコメンデーションを行うことである。
  論文  参考訳（メタデータ） (2020-09-24T01:04:18Z)
• A Realistic Fish-Habitat Dataset to Evaluate Algorithms for Underwater Visual Analysis [2.6476746128312194]
  我々は、DeepFishを大規模データセットでベンチマークスイートとして提示し、いくつかのコンピュータビジョンタスクのためのメソッドをトレーニングし、テストする。 このデータセットは、熱帯オーストラリアの海洋環境にある20の温帯生物から採取された約4万枚の画像で構成されている。 実験では,データセットの特徴を詳細に分析し,いくつかの最先端手法の性能評価を行った。
  論文  参考訳（メタデータ） (2020-08-28T12:20:59Z)
• 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)
• Deformation-aware Unpaired Image Translation for Pose Estimation on Laboratory Animals [56.65062746564091]
  我々は,神経回路が行動をどのようにオーケストレーションするかを研究するために,手動による監督を使わずに,神経科学モデル生物のポーズを捉えることを目的としている。 我々の重要な貢献は、未完成の画像翻訳フレームワークにおける外観、形状、ポーズの明示的で独立したモデリングである。 ショウジョウバエ(ハエ)、線虫(線虫)、ダニオ・レリオ(ゼブラフィッシュ)のポーズ推定精度の向上を実証した。
  論文  参考訳（メタデータ） (2020-01-23T15:34:11Z)

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。