論文の概要: Pengembangan Model untuk Mendeteksi Kerusakan pada Terumbu Karang dengan Klasifikasi Citra

• arxiv url: http://arxiv.org/abs/2308.04337v1
• Date: Tue, 8 Aug 2023 15:30:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-09 12:15:03.998710
• Title: Pengembangan Model untuk Mendeteksi Kerusakan pada Terumbu Karang dengan Klasifikasi Citra
• Title（参考訳）: Pengembangan Model untuk Mendeteksi Kerusakan pada Terumbu Karang dengan Klasifikasi Citra
• Authors: Fadhil Muhammad, Alif Bintang Elfandra, Iqbal Pahlevi Amin, Alfan Farizki Wicaksono
• Abstract要約: 本研究はFlickr APIを用いてFlickrから収集した923枚の画像からなる特別なデータセットを利用する。 この研究で使用される方法は、機械学習モデル、特に畳み込みニューラルネットワーク(CNN)の使用を含む。 その結果,Stock-Scratch ResNetモデルは,精度と精度で事前学習モデルより優れていることがわかった。
• 参考スコア（独自算出の注目度）: 3.254879465902239
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The abundant biodiversity of coral reefs in Indonesian waters is a valuable asset that needs to be preserved. Rapid climate change and uncontrolled human activities have led to the degradation of coral reef ecosystems, including coral bleaching, which is a critical indicator of coral health conditions. Therefore, this research aims to develop an accurate classification model to distinguish between healthy corals and corals experiencing bleaching. This study utilizes a specialized dataset consisting of 923 images collected from Flickr using the Flickr API. The dataset comprises two distinct classes: healthy corals (438 images) and bleached corals (485 images). These images have been resized to a maximum of 300 pixels in width or height, whichever is larger, to maintain consistent sizes across the dataset. The method employed in this research involves the use of machine learning models, particularly convolutional neural networks (CNN), to recognize and differentiate visual patterns associated with healthy and bleached corals. In this context, the dataset can be used to train and test various classification models to achieve optimal results. By leveraging the ResNet model, it was found that a from-scratch ResNet model can outperform pretrained models in terms of precision and accuracy. The success in developing accurate classification models will greatly benefit researchers and marine biologists in gaining a better understanding of coral reef health. These models can also be employed to monitor changes in the coral reef environment, thereby making a significant contribution to conservation and ecosystem restoration efforts that have far-reaching impacts on life.
• Abstract（参考訳）: インドネシア海域のサンゴ礁の生物多様性は貴重な資産であり、保存する必要がある。 急速な気候変動と人的活動はサンゴ礁の生態系を悪化させ、サンゴの白化はサンゴの健康状態の重要な指標となっている。 そこで本研究では,健康サンゴと漂白サンゴを区別する正確な分類モデルを開発することを目的としている。 本研究はFlickr APIを用いてFlickrから収集した923の画像からなる特別なデータセットを利用する。 データセットは、健康サンゴ(438画像)と漂白サンゴ(485画像)の2つの異なるクラスで構成されている。 これらの画像は最大300ピクセルの幅や高さにリサイズされ、データセット全体にわたって一貫したサイズを維持している。 本研究で用いられる方法は、機械学習モデル、特に畳み込みニューラルネットワーク(cnn)を用いて、健康で漂白したサンゴの視覚パターンを認識し識別することである。 この文脈では、データセットは、最適な結果を得るために様々な分類モデルのトレーニングとテストに使用できる。 ResNetモデルを利用することで、Stock-Scratch ResNetモデルは、精度と精度で事前訓練されたモデルより優れていることがわかった。 正確な分類モデルの開発の成功は、サンゴ礁の健康をよりよく理解する研究者や海洋生物学者に大いに役立つだろう。 これらのモデルはサンゴ礁環境の変化をモニタリングするためにも用いられるため、生命に大きく影響する保護と生態系の回復に重要な貢献をする。

関連論文リスト

• Back Home: A Machine Learning Approach to Seashell Classification and Ecosystem Restoration [49.1574468325115]
  コスタリカでは、年間平均5トンの貝殻が生態系から抽出されている。混入した貝殻は、原産地認識の欠如により生態系に戻れない。 貝殻同定のための畳み込みニューラルネットワーク(CNN)を開発した。 私たちは太平洋とカリブ海の海岸から約19万枚の画像からなるデータセットをスクラッチから構築しました。 このモデルはユーザフレンドリーなアプリケーションに統合され、これまで36,000以上の貝殻を分類し、画像1枚につき3秒以内にリアルタイムで結果を提供する。
  論文  参考訳（メタデータ） (2025-01-08T23:07:10Z)
• CoralSCOP-LAT: Labeling and Analyzing Tool for Coral Reef Images with Dense Mask [14.092526875441221]
  本研究では,サンゴ礁の自動・半自動ラベル付け・分析ツールであるCoralSCOP-LATを提案する。 提案されたCoralSCOP-LATは、分析効率、精度、柔軟性から、既存のツールをはるかに上回っている。 我々のサンゴ礁分析ツールであるCoralSCOP-LATは、大規模なサンゴ礁モニタリングを繰り返すのに役立ちます。
  論文  参考訳（メタデータ） (2024-10-27T13:26:44Z)
• Automatic Coral Detection with YOLO: A Deep Learning Approach for Efficient and Accurate Coral Reef Monitoring [0.0]
  サンゴ礁は、人為的な影響や気候変動によって脅威にさらされている重要な生態系である。 本稿では,深層学習モデルを用いたサンゴ自動検出システムを提案する。
  論文  参考訳（メタデータ） (2024-04-03T08:00:46Z)
• Deep learning for multi-label classification of coral conditions in the Indo-Pacific via underwater photogrammetry [24.00646413446011]
  本研究はインド太平洋におけるサンゴの一般的な条件と関連するストレスを表わしたデータセットを作成する。 既存の分類アルゴリズムを評価し、サンゴの条件を自動的に検出し、生態情報を抽出する新しいマルチラベル手法を提案した。 提案手法はサンゴの条件を, 健康, 危害, 死, 汚物として正確に分類する。
  論文  参考訳（メタデータ） (2024-03-09T14:42:16Z)
• BenthIQ: a Transformer-Based Benthic Classification Model for Coral Restoration [4.931399476945033]
  サンゴ礁は海洋生物多様性、沿岸保護、世界の人間の生活を支えるために不可欠である。 ベントニック合成マップを作成するための現在の手法は、しばしば空間被覆と分解能の間に妥協する。 水中基板の高精度な分類のために設計されたマルチラベルセマンティックセマンティックセマンティクスネットワークであるBenthIQを紹介する。
  論文  参考訳（メタデータ） (2023-11-22T19:25:31Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Combining Photogrammetric Computer Vision and Semantic Segmentation for Fine-grained Understanding of Coral Reef Growth under Climate Change [6.335630432207172]
  サンゴはサンゴ礁に生息する生物で、海洋の4分の1を支えている。 3次元微粒なセマンティックモデリングとサンゴ礁の硬さ評価は,初めてミリ(mm)精度で完了した。
  論文  参考訳（メタデータ） (2022-12-08T08:09:57Z)
• 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)
• Categorical Relation-Preserving Contrastive Knowledge Distillation for Medical Image Classification [75.27973258196934]
  そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。 この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。 CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
  論文  参考訳（メタデータ） (2021-07-07T13:56:38Z)
• 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)
• Deep learning for lithological classification of carbonate rock micro-CT images [52.77024349608834]
  本研究は,ブラジルのプリサルト炭酸塩岩微視的画像のパターン同定にディープラーニング技術を適用することを目的としている。 4つの畳み込みニューラルネットワークモデルが提案された。 精度によると、リサイズ画像で訓練されたモデル2は、最初の評価アプローチでは平均75.54%、2番目の評価では平均81.33%に達した。
  論文  参考訳（メタデータ） (2020-07-30T19:14:00Z)

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。