論文の概要: FineBio: A Fine-Grained Video Dataset of Biological Experiments with
Hierarchical Annotation
- arxiv url: http://arxiv.org/abs/2402.00293v1
- Date: Thu, 1 Feb 2024 02:47:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 16:49:15.656790
- Title: FineBio: A Fine-Grained Video Dataset of Biological Experiments with
Hierarchical Annotation
- Title（参考訳）: FineBio:階層的アノテーションを用いた生物実験のビデオデータセット
- Authors: Takuma Yagi, Misaki Ohashi, Yifei Huang, Ryosuke Furuta, Shungo
Adachi, Toutai Mitsuyama, Yoichi Sato
- Abstract要約: FineBioは、生物実験を行う人々の詳細なビデオデータセットだ。
ある実験は階層構造を形成し、プロトコルはいくつかのステップから構成され、それぞれがさらに原子操作の集合に分解される。
プロトコル、ステップ、アトミック操作、オブジェクト位置、およびそれらの操作状態に関する階層的なアノテーションを提供する。
- 参考スコア（独自算出の注目度）: 21.43919684926629
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the development of science, accurate and reproducible documentation of the
experimental process is crucial. Automatic recognition of the actions in
experiments from videos would help experimenters by complementing the recording
of experiments. Towards this goal, we propose FineBio, a new fine-grained video
dataset of people performing biological experiments. The dataset consists of
multi-view videos of 32 participants performing mock biological experiments
with a total duration of 14.5 hours. One experiment forms a hierarchical
structure, where a protocol consists of several steps, each further decomposed
into a set of atomic operations. The uniqueness of biological experiments is
that while they require strict adherence to steps described in each protocol,
there is freedom in the order of atomic operations. We provide hierarchical
annotation on protocols, steps, atomic operations, object locations, and their
manipulation states, providing new challenges for structured activity
understanding and hand-object interaction recognition. To find out challenges
on activity understanding in biological experiments, we introduce baseline
models and results on four different tasks, including (i) step segmentation,
(ii) atomic operation detection (iii) object detection, and (iv)
manipulated/affected object detection. Dataset and code are available from
https://github.com/aistairc/FineBio.
- Abstract（参考訳）: 科学の発展において、実験過程の正確かつ再現可能な文書が不可欠である。
ビデオから実験中の動作の自動認識は、実験の記録を補完することで実験者に役立つ。
この目的に向けて,生物実験を行う人々の新しい細粒度ビデオデータセットである finebio を提案する。
データセットは、32人の参加者による、合計14.5時間の模擬生物実験を行うマルチビュービデオで構成されている。
ある実験は階層構造を形成し、プロトコルはいくつかのステップで構成され、それぞれが原子操作の集合に分解される。
生物学的実験の独特な点は、それぞれのプロトコルで記述されたステップに厳格に固執する必要があるが、原子操作の順序に自由が存在することである。
プロトコル、ステップ、アトミック操作、オブジェクト位置、およびそれらの操作状態に関する階層的なアノテーションを提供し、構造化されたアクティビティ理解と手動インタラクション認識のための新しい課題を提供する。
生物実験における活動理解の課題を明らかにするために,4つのタスクのベースラインモデルと結果を紹介する。
(i)ステップセグメンテーション
(ii)原子の動作検出
(iii)物体検出、及び
(iv)対象物の検出操作
データセットとコードはhttps://github.com/aistairc/finebioから入手できる。
関連論文リスト
- Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。
我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。
我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - Learning the rules of peptide self-assembly through data mining with large language models [0.0]
我々は,人手による手作業処理と大規模言語モデルによる文献マイニングを組み合わせることで,ペプチド集合データベースをキュレートする。
ペプチド配列, 実験条件, およびそれに対応する自己集合相に関する情報を含む1000以上の実験データエントリを収集する。
MLモデルは訓練され評価され、ペプチド集合相分類において優れた精度(>80%)と効率を示す。
論文 参考訳（メタデータ） (2024-11-08T09:14:22Z) - Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems [59.117526206317116]
Cellはさまざまなタスクやデータに対して,さまざまなモデルに適応的に進化可能であることを示す。
4つの実世界のデータセットの実験では、細胞は最先端のベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2024-05-29T02:35:23Z) - BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。
BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。
6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
論文 参考訳（メタデータ） (2024-05-27T19:57:17Z) - ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。
まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。
次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文 参考訳（メタデータ） (2023-11-01T14:44:01Z) - BeCAPTCHA-Type: Biometric Keystroke Data Generation for Improved Bot
Detection [63.447493500066045]
本研究では,キーストローク生体データ合成のためのデータ駆動学習モデルを提案する。
提案手法は,ユニバーサルモデルとユーザ依存モデルに基づく2つの統計的手法と比較する。
実験フレームワークでは16万件の被験者から1億3600万件のキーストロークイベントのデータセットについて検討している。
論文 参考訳（メタデータ） (2022-07-27T09:26:15Z) - Tyger: Task-Type-Generic Active Learning for Molecular Property
Prediction [121.97742787439546]
分子の性質を正確に予測する方法は、AIによる薬物発見において重要な問題である。
アノテーションのコストを削減するため,注釈付けのための最も代表的で情報性の高いデータのみを選択するために,深層能動学習法が開発された。
本稿では,異なるタイプの学習タスクを統一的に処理できるタスク型汎用能動的学習フレームワーク(Tyger)を提案する。
論文 参考訳（メタデータ） (2022-05-23T12:56:12Z) - Active learning in open experimental environments: selecting the right
information channel(s) based on predictability in deep kernel learning [0.0]
実験研究における主要な課題は、これらのチャネルのどれが関心の行動を予測するかを確立することである。
ここでは、顕微鏡における構造-プロパティ関係の最適予測チャネルの発見問題について検討する。
このアプローチは、自動合成や分子系の定量的構造-活性関係の発見において、同様の能動的学習タスクに直接適用することができる。
論文 参考訳（メタデータ） (2022-03-18T22:36:40Z) - GeneDisco: A Benchmark for Experimental Design in Drug Discovery [41.6425999218259]
遺伝子操作によるin vitro細胞実験は、早期の薬物発見における重要なステップである。
GeneDiscoは、薬物発見の実験的な設計のためのアクティブな学習アルゴリズムを評価するためのベンチマークスイートである。
論文 参考訳（メタデータ） (2021-10-22T16:01:39Z) - Multi-StyleGAN: Towards Image-Based Simulation of Time-Lapse Live-Cell
Microscopy [23.720106678247888]
生体細胞の時間分解蛍光顕微鏡像をシミュレートする手法としてMulti-StyleGANを提案する。
この新規な生成逆ネットワークは連続した時間ステップのマルチドメイン配列を合成する。
このシミュレーションは、細胞の形態、成長、物理的相互作用、および蛍光レポータータンパク質の強度など、基礎となる生理的要因と時間的依存を捉えている。
論文 参考訳（メタデータ） (2021-06-15T16:51:16Z)
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。