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
- SatDM: Synthesizing Realistic Satellite Image with Semantic Layout
Conditioning using Diffusion Models [0.0]
Denoising Diffusion Probabilistic Models (DDPM) は意味的レイアウトから現実的なイメージを合成する上で大きな可能性を証明している。
本稿では,セマンティックマップを用いて高品質で多様な衛星画像を生成する条件付きDDPMモデルを提案する。
提案モデルの有効性は,本研究の文脈内で導入した詳細なラベル付きデータセットを用いて検証する。
論文 参考訳(メタデータ) (2023-09-28T19:39:13Z) - 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) - Divide to Adapt: Mitigating Confirmation Bias for Domain Adaptation of
Black-Box Predictors [94.78389703894042]
ドメイン適応(Domain Adaptation of Black-box Predictor、DABP)は、ソースドメインでトレーニングされたブラックボックス予測器によって管理されるラベルなしのターゲットドメイン上のモデルを学習することを目的としている。
ソースドメインデータと予測パラメータの両方にアクセスする必要はないため、標準ドメイン適応におけるデータのプライバシとポータビリティの問題に対処する。
本稿では,知識蒸留と雑音ラベル学習を一貫した枠組みに組み込む新しい手法BETAを提案する。
論文 参考訳(メタデータ) (2022-05-28T16:00:44Z) - 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) - Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。
クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。
MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
論文 参考訳(メタデータ) (2021-06-08T00:30:43Z) - 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。