論文の概要: Deep learning for multi-label classification of coral conditions in the Indo-Pacific via underwater photogrammetry

• arxiv url: http://arxiv.org/abs/2403.05930v2
• Date: Tue, 12 Mar 2024 14:15:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 11:43:24.598861
• Title: Deep learning for multi-label classification of coral conditions in the Indo-Pacific via underwater photogrammetry
• Title（参考訳）: 水中フォトグラメトリーによるインド太平洋におけるサンゴ礁のマルチラベル分類のための深層学習
• Authors: Xinlei Shao and Hongruixuan Chen and Kirsty Magson and Jiaqi Wang and Jian Song and Jundong Chen and Jun Sasaki
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 24.00646413446011
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Since coral reef ecosystems face threats from human activities and climate change, coral conservation programs are implemented worldwide. Monitoring coral health provides references for guiding conservation activities. However, current labor-intensive methods result in a backlog of unsorted images, highlighting the need for automated classification. Few studies have simultaneously utilized accurate annotations along with updated algorithms and datasets. This study aimed to create a dataset representing common coral conditions and associated stressors in the Indo-Pacific. Concurrently, it assessed existing classification algorithms and proposed a new multi-label method for automatically detecting coral conditions and extracting ecological information. A dataset containing over 20,000 high-resolution coral images of different health conditions and stressors was constructed based on the field survey. Seven representative deep learning architectures were tested on this dataset, and their performance was quantitatively evaluated using the F1 metric and the match ratio. Based on this evaluation, a new method utilizing the ensemble learning approach was proposed. The proposed method accurately classified coral conditions as healthy, compromised, dead, and rubble; it also identified corresponding stressors, including competition, disease, predation, and physical issues. This method can help develop the coral image archive, guide conservation activities, and provide references for decision-making for reef managers and conservationists. The proposed ensemble learning approach outperforms others on the dataset, showing State-Of-The-Art (SOTA) performance. Future research should improve its generalizability and accuracy to support global coral conservation efforts.
• Abstract（参考訳）: サンゴ礁生態系は人的活動や気候変動の脅威に直面しているため、世界中のサンゴ保護プログラムが実施されている。 サンゴの健康モニタリングは保護活動の指針となる。 しかし、現在の労働集約型手法では、未ソート画像のバックログが発生し、自動化された分類の必要性が強調される。 正確なアノテーションと更新されたアルゴリズムとデータセットを同時に利用した研究は少ない。 本研究の目的はインド太平洋における共通サンゴ条件と関連するストレスを表わすデータセットの作成である。 同時に、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法を提案した。 異なる健康状態とストレスの2万以上の高解像度サンゴ画像を含むデータセットをフィールドサーベイに基づいて構築した。 このデータセット上で7つの代表的なディープラーニングアーキテクチャをテストし,その性能をf1メトリックとマッチ比を用いて定量的に評価した。 この評価に基づいて,アンサンブル学習手法を用いた新しい手法を提案する。 提案手法では,サンゴ礁の条件を健康,危険,死,瓦解と正確に分類し,競合,疾患,捕食,身体的問題などのストレス要因も同定した。 この方法はサンゴのイメージアーカイブの開発、保全活動のガイド、サンゴの管理者や保護主義者の意思決定の参考となる。 提案したアンサンブル学習アプローチはデータセット上で他よりも優れており、ステートオフ・ザ・アート(SOTA)のパフォーマンスを示している。 今後の研究は、グローバルなサンゴ保全活動を支援するために、その一般化性と正確性を改善するだろう。

関連論文リスト

• Combining Observational Data and Language for Species Range Estimation [63.65684199946094]
  我々は,数百万の市民科学種の観察とウィキペディアのテキスト記述を組み合わせた新しいアプローチを提案する。 我々のフレームワークは、場所、種、テキスト記述を共通空間にマッピングし、テキスト記述からゼロショット範囲の推定を可能にする。 また,本手法は観測データと組み合わせることで,少ないデータでより正確な距離推定を行うことができる。
  論文  参考訳（メタデータ） (2024-10-14T17:22:55Z)
• 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)
• 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)
• 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)
• Scalable Semantic 3D Mapping of Coral Reefs with Deep Learning [4.8902950939676675]
  本稿では,エゴモーション映像から水中環境をマッピングするための新しいパラダイムを提案する。 前例のない規模で高精度な3Dセマンティックマッピングを行い,作業コストを大幅に削減した。 本手法は,サンゴ礁のサンゴ礁モニタリングを飛躍的にスケールアップする。
  論文  参考訳（メタデータ） (2023-09-22T11:35:10Z)
• Pengembangan Model untuk Mendeteksi Kerusakan pada Terumbu Karang dengan Klasifikasi Citra [3.254879465902239]
  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。
  論文  参考訳（メタデータ） (2023-08-08T15:30:08Z)
• Reef-insight: A framework for reef habitat mapping with clustering methods via remote sensing [0.3670422696827526]
  我々は、高度なクラスタリング手法とリーフ生息地マッピングのためのリモートセンシングを特徴とする教師なし機械学習フレームワークであるReef-Insightを紹介する。 本フレームワークは,リモートセンシングデータを用いたサンゴ礁生息域マッピングのための異なるクラスタリング手法の比較を行う。 以上の結果から,サンゴ礁の生息環境を概観した詳細な分布図を作成できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-01-26T00:03:09Z)
• Robust Medical Image Classification from Noisy Labeled Data with Global and Local Representation Guided Co-training [73.60883490436956]
  本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。 ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。 また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
  論文  参考訳（メタデータ） (2022-05-10T07:50:08Z)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to Generate an Improved Ocean Model [72.3183990520267]
  シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。 具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。 提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
  論文  参考訳（メタデータ） (2021-06-24T17:29:42Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)

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。