論文の概要: Deep Neural Network Identification of Limnonectes Species and New Class
Detection Using Image Data
- arxiv url: http://arxiv.org/abs/2311.08661v1
- Date: Wed, 15 Nov 2023 02:57:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-16 17:26:49.101377
- Title: Deep Neural Network Identification of Limnonectes Species and New Class
Detection Using Image Data
- Title（参考訳）: 深層ニューラルネットワークによるリムノネクトの同定と画像データを用いた新しいクラス検出
- Authors: Li Xu, Yili Hong, Eric P. Smith, David S. McLeod, Xinwei Deng, Laura
J. Freeman
- Abstract要約: ディープニューラルネットワークは、画像の分類を訓練された既知の種グループに分類することに成功した。
このアルゴリズムは,既存のクラスに属さない場合には,イメージを新しいクラスに分類できることを示す。
- 参考スコア（独自算出の注目度）: 5.943822554753426
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As is true of many complex tasks, the work of discovering, describing, and
understanding the diversity of life on Earth (viz., biological systematics and
taxonomy) requires many tools. Some of this work can be accomplished as it has
been done in the past, but some aspects present us with challenges which
traditional knowledge and tools cannot adequately resolve. One such challenge
is presented by species complexes in which the morphological similarities among
the group members make it difficult to reliably identify known species and
detect new ones. We address this challenge by developing new tools using the
principles of machine learning to resolve two specific questions related to
species complexes. The first question is formulated as a classification problem
in statistics and machine learning and the second question is an
out-of-distribution (OOD) detection problem. We apply these tools to a species
complex comprising Southeast Asian stream frogs (Limnonectes kuhlii complex)
and employ a morphological character (hind limb skin texture) traditionally
treated qualitatively in a quantitative and objective manner. We demonstrate
that deep neural networks can successfully automate the classification of an
image into a known species group for which it has been trained. We further
demonstrate that the algorithm can successfully classify an image into a new
class if the image does not belong to the existing classes. Additionally, we
use the larger MNIST dataset to test the performance of our OOD detection
algorithm. We finish our paper with some concluding remarks regarding the
application of these methods to species complexes and our efforts to document
true biodiversity. This paper has online supplementary materials.
- Abstract（参考訳）: 多くの複雑なタスクで当てはまるように、地球上の生命の多様性を発見し、記述し、理解する作業(生物系統学と分類学)には多くの道具が必要である。
この仕事のいくつかは、過去になされたように達成できますが、いくつかの側面は、伝統的な知識やツールが十分に解決できない課題をもたらしてくれます。
このような課題の1つは、グループメンバー間の形態的類似性が既知の種を確実に同定し、新しい種を検出するのを困難にする種複合体によって示される。
この課題は、機械学習の原理を用いて、種複合体に関連する2つの特定の問題を解決する新しいツールを開発することで解決される。
第1の質問は統計と機械学習の分類問題として定式化され、第2の質問はout-of-distribution (ood) detection問題である。
東南アジアのカエル(Limnonectes kuhlii complex)からなる種群にこれらのツールを適用し,伝統的に質的に定量的かつ客観的に処理された形態的特徴(下肢皮膚のテクスチャ)を用いる。
深層ニューラルネットワークは、画像が訓練された既知の種群への分類をうまく自動化できることを実証する。
さらに,既存のクラスに属さない場合には,アルゴリズムが画像を新しいクラスに分類できることを示す。
さらに、より大きなMNISTデータセットを使用して、OOD検出アルゴリズムの性能をテストする。
本論文は,本手法の生物複合体への応用と生物多様性の文書化に向けた取り組みについて考察した。
本論文はオンライン補足資料である。
関連論文リスト
- Artificial Intelligence-powered fossil shark tooth identification: Unleashing the potential of Convolutional Neural Networks [10.946419654203613]
本研究では,分離されたサメの歯のイメージを分類するためのCNN(Convolutional Neural Networks)の能力について検討した。
我々は、認識タスクに特化されたSharkNet-XというCNNを開発し、平均精度0.85に5倍の精度で到達した。
結果について古生物学的な視点を与えながらCNNの振る舞いを理解し説明するために, SHAP法を導入した。
論文 参考訳（メタデータ） (2024-05-07T10:49:10Z) - Few-Shot Learning Enables Population-Scale Analysis of Leaf Traits in
Populus trichocarpa [1.9089478605920305]
この研究は、(i)最小のトレーニングデータを必要とする高速で正確な画像ベースの特徴抽出のための方法と、(ii)68種類の葉の表現型を含む新しい集団規模のデータセットを、ドメイン科学者や機械学習研究者向けに植物表現型コミュニティに提供するように設計されている。
数発の学習コード、データ、結果はすべて公開されています。
論文 参考訳（メタデータ） (2023-01-24T23:40:01Z) - Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic
Disorders [55.41644538483948]
分類の自動化と類似性検索は、医師が可能な限り早期に遺伝状態の診断を行うための意思決定を支援する。
従来の研究は分類問題としてこの問題に対処し、深層学習法を用いてきた。
本研究では,健常人の大規模なコーパスで訓練した顔認識モデルを用いて,顔の表情認識に移行した。
論文 参考訳（メタデータ） (2022-10-23T11:52:57Z) - Genetic Programming-Based Evolutionary Deep Learning for Data-Efficient
Image Classification [3.9310727060473476]
本稿では,データ効率のよい画像分類のための遺伝的プログラミングに基づく進化的深層学習手法を提案する。
この新しいアプローチは、画像領域と分類領域の両方から多くの重要な演算子を使用して、変数長モデルを自動的に進化させることができる。
フレキシブルな多層表現により、新しいアプローチは、タスクごとに浅いモデルや深いモデルやツリーを自動的に構築できる。
論文 参考訳（メタデータ） (2022-09-27T08:10:16Z) - Taxonomy and evolution predicting using deep learning in images [9.98733710208427]
本研究では,キノコ画像認識問題を体系的に研究することで,新しい認識枠組みを創出する。
そこで本研究では,DNAにDNAをマッピングする最初の方法として,遺伝子距離にエンコーダマッピング画像を使用し,事前に訓練したデコーダを介してDNAをデコードする手法を提案する。
論文 参考訳（メタデータ） (2022-06-28T13:54:14Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳（メタデータ） (2020-11-24T01:53:39Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Symbiotic Adversarial Learning for Attribute-based Person Search [86.7506832053208]
本稿では,共生学習の枠組みとして,共生学習の基盤に2つのGANを配置する。
具体的には、2種類の生成的敵ネットワークがトレーニングプロセスを通して協調的に学習する。
論文 参考訳（メタデータ） (2020-07-19T07:24:45Z) - Fruit classification using deep feature maps in the presence of
deceptive similar classes [4.811140016565928]
畳み込みニューラルネットワーク(CNN)は、分類対象の多レベル表現において効率的な性能を示す。
広範囲な試行により,提案手法は従来のディープラーニング手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2020-07-12T09:01:57Z) - Transferring Dense Pose to Proximal Animal Classes [83.84439508978126]
より一般的な対象検出器やセグメンタなどと同様に、密集したポーズ認識に存在する知識を、他のクラスにおける密集したポーズ認識の問題に移すことが可能であることを示す。
我々は、人間と幾何学的に整合した新しい動物のためのDensePoseモデルを確立することでこれを行う。
また、クラスチンパンジーにDensePoseの方法でラベル付けされた2つのベンチマークデータセットを導入し、アプローチを評価するためにそれらを使用します。
論文 参考訳（メタデータ） (2020-02-28T21:43:53Z) - 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。