論文の概要: DAPlankton: Benchmark Dataset for Multi-instrument Plankton Recognition via Fine-grained Domain Adaptation

• arxiv url: http://arxiv.org/abs/2402.05615v1
• Date: Thu, 8 Feb 2024 12:18:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-09 15:31:08.767534
• Title: DAPlankton: Benchmark Dataset for Multi-instrument Plankton Recognition via Fine-grained Domain Adaptation
• Title（参考訳）: DAPlankton: きめ細かいドメイン適応による多機能プランクトン認識のためのベンチマークデータセット
• Authors: Daniel Batrakhanov, Tuomas Eerola, Kaisa Kraft, Lumi Haraguchi, Lasse Lensu, Sanna Suikkanen, Mar\'ia Teresa Camarena-G\'omez, Jukka Sepp\"al\"a, Heikki K\"alvi\"ainen
• Abstract要約: 異なる撮像装置は、一般的なプランクトン認識法の開発を妨げるデータセット間のドメインシフトを引き起こす。 DAPlanktonと呼ばれる新しいDAデータセットを,異なる機器で得られた植物プランクトン画像から作成する。
• 参考スコア（独自算出の注目度）: 0.06883165603899953
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Plankton recognition provides novel possibilities to study various environmental aspects and an interesting real-world context to develop domain adaptation (DA) methods. Different imaging instruments cause domain shift between datasets hampering the development of general plankton recognition methods. A promising remedy for this is DA allowing to adapt a model trained on one instrument to other instruments. In this paper, we present a new DA dataset called DAPlankton which consists of phytoplankton images obtained with different instruments. Phytoplankton provides a challenging DA problem due to the fine-grained nature of the task and high class imbalance in real-world datasets. DAPlankton consists of two subsets. DAPlankton_LAB contains images of cultured phytoplankton providing a balanced dataset with minimal label uncertainty. DAPlankton_SEA consists of images collected from the Baltic Sea providing challenging real-world data with large intra-class variance and class imbalance. We further present a benchmark comparison of three widely used DA methods.
• Abstract（参考訳）: プランクトン認識は、様々な環境側面を研究する新しい可能性を提供し、ドメイン適応(da)法を開発する興味深い実世界コンテキストを提供する。 異なる撮像装置は、一般的なプランクトン認識法の開発を妨げるデータセット間のドメインシフトを引き起こす。 これに対する有望な対策はDAであり、ある楽器で訓練されたモデルを他の楽器に適応させることである。 本稿では,異なる機器で得られた植物プランクトン画像からなるdaplanktonと呼ばれる新しいdaデータセットを提案する。 Phytoplanktonは、タスクのきめ細かい性質と現実世界のデータセットの高レベルの不均衡のため、困難なDA問題を提供する。 DAPlanktonは2つのサブセットから構成される。 DAPlankton_LABには、最小限のラベルの不確実性を持つバランスデータセットを提供する培養植物プランクトンのイメージが含まれている。 daplankton_seaはバルト海から収集された画像で構成され、大きなクラス内分散とクラス不均衡を伴う挑戦的な実世界データを提供する。 さらに、広く使われている3つのDA手法のベンチマーク比較を示す。

関連論文リスト

• MPT: A Large-scale Multi-Phytoplankton Tracking Benchmark [36.37530623015916]
  本稿では,様々な背景情報と観測時の動作変化を網羅するベンチマークデータセットであるMultiple Phytoplankton Tracking (MPT)を提案する。 このデータセットには27種類の植物プランクトンと動物プランクトンが含まれ、14種類の背景があり、多様な複雑な水中環境をシミュレートしている。 標準特徴抽出器の出力残量を予測するための追加特徴抽出器を導入し、抽出器の異なる層の特徴に基づいて多スケールのフレーム間類似性を計算した。
  論文  参考訳（メタデータ） (2024-10-22T04:57:28Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• WhaleNet: a Novel Deep Learning Architecture for Marine Mammals Vocalizations on Watkins Marine Mammal Sound Database [49.1574468325115]
  textbfWhaleNet (Wavelet Highly Adaptive Learning Ensemble Network) は海洋哺乳動物の発声を分類するための高度な深層アンサンブルアーキテクチャである。 既存のアーキテクチャよりも8-10%の精度で分類精度を向上し、分類精度は9,7.61%である。
  論文  参考訳（メタデータ） (2024-02-20T11:36:23Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• Efficient Unsupervised Learning for Plankton Images [12.447149371717]
  水生生態系の保全には,シチューにおけるプランクトン群集のモニタリングが不可欠である。 このようなデータを分類するための機械学習アルゴリズムの採用は、手動アノテーションの大幅なコストに影響される可能性がある。 プランクトン微生物の正確な分類を行うために,効率的な教師なし学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2022-09-14T15:33:16Z)
• 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)
• Deep Learning Classification of Lake Zooplankton [0.0]
  湖沼プランクトンの同定のために開発された深層学習モデルについて述べる。 この目的のために,我々は17900年の動物園プランクトンと大型植物プランクトンコロニーの画像に対して35のクラスに注釈を付けた。 最良モデルは転送学習とアンサンブルに基づいて,98%の精度と93%のF1スコアでプランクトン画像を分類した。
  論文  参考訳（メタデータ） (2021-08-11T14:57:43Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。