Fugu-MT 論文翻訳(概要): MosquitoFusion: A Multiclass Dataset for Real-Time Detection of Mosquitoes, Swarms, and Breeding Sites Using Deep Learning

論文の概要: MosquitoFusion: A Multiclass Dataset for Real-Time Detection of Mosquitoes, Swarms, and Breeding Sites Using Deep Learning

arxiv url: http://arxiv.org/abs/2404.01501v1
Date: Mon, 1 Apr 2024 21:49:05 GMT
ステータス: 処理完了
システム内更新日: 2024-04-03 20:27:20.489215
Title: MosquitoFusion: A Multiclass Dataset for Real-Time Detection of Mosquitoes, Swarms, and Breeding Sites Using Deep Learning
Title（参考訳）: MosquitoFusion: 深層学習を用いたリアルタイム検出のためのマルチクラスデータセット
Authors: Md. Faiyaz Abdullah Sayeedi, Fahim Hafiz, Md Ashiqur Rahman,
Abstract要約: 1204種類の画像を含むマルチクラスデータセット(MosquitoFusion)を用いたリアルタイム蚊検出への統合的アプローチを提案する。トレーニング済みのYOLOv8モデルは、このデータセットに基づいてトレーニングされ、平均平均精度(mAP@50)が57.1%、精度73.4%、リコール50.5%に達した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In this paper, we present an integrated approach to real-time mosquito detection using our multiclass dataset (MosquitoFusion) containing 1204 diverse images and leverage cutting-edge technologies, specifically computer vision, to automate the identification of Mosquitoes, Swarms, and Breeding Sites. The pre-trained YOLOv8 model, trained on this dataset, achieved a mean Average Precision (mAP@50) of 57.1%, with precision at 73.4% and recall at 50.5%. The integration of Geographic Information Systems (GIS) further enriches the depth of our analysis, providing valuable insights into spatial patterns. The dataset and code are available at https://github.com/faiyazabdullah/MosquitoFusion.
Abstract（参考訳）: 本稿では,1204の多様な画像を含むマルチクラスデータセット(MosquitoFusion)を用いたリアルタイム蚊検出への統合的アプローチを提案する。トレーニング済みのYOLOv8モデルは、このデータセットに基づいてトレーニングされ、平均平均精度(mAP@50)が57.1%、精度73.4%、リコール50.5%に達した。地理情報システム(GIS)の統合は、我々の分析の深みをさらに深め、空間パターンに関する貴重な洞察を提供する。データセットとコードはhttps://github.com/faiyazabdullah/MosquitoFusion.comで公開されている。

関連論文リスト

Classifier Enhanced Deep Learning Model for Erythroblast Differentiation with Limited Data [0.08388591755871733]
病態と遺伝疾患の1%を含む血液疾患は、重大な診断上の課題を呈している。本手法では,機械学習モデルの有効性を考慮した各種機械学習設定の評価を行う。データが利用可能になった場合、提案されたソリューションは、小さくてユニークなデータセットの精度を高めるためのソリューションである。
論文参考訳（メタデータ） (2024-11-23T15:51:15Z)
Transfer Learning for Wildlife Classification: Evaluating YOLOv8 against DenseNet, ResNet, and VGGNet on a Custom Dataset [0.0]
この研究は、データセット上で事前学習されたモデルを微調整するために転送学習を利用する。 YOLOv8は他のモデルより優れており、トレーニング精度97.39%、バリデーションF1スコア96.50%である。
論文参考訳（メタデータ） (2024-07-10T15:03:00Z)
DataComp-LM: In search of the next generation of training sets for language models [200.5293181577585]
DataComp for Language Models (DCLM)は、制御されたデータセット実験のためのテストベッドであり、言語モデルを改善することを目的としている。我々は、Common Crawlから抽出された240Tトークンの標準化コーパス、OpenLMフレームワークに基づく効果的な事前学習レシピ、53の下流評価スイートを提供する。 DCLMベンチマークの参加者は、412Mから7Bパラメータのモデルスケールでの重複、フィルタリング、データ混合などのデータキュレーション戦略を実験することができる。
論文参考訳（メタデータ） (2024-06-17T17:42:57Z)
Country-Scale Cropland Mapping in Data-Scarce Settings Using Deep Learning: A Case Study of Nigeria [0.6827423171182154]
私たちはグローバルな作物のデータセットと手書きのデータセットを組み合わせて、2020年にナイジェリアの新しい作物の地図を10m解像度で作成するための機械学習モデルをトレーニングしています。本研究では,センチネル-1,2,ERA5気候データ,DEMデータなどのリモートセンシング源からの画素級時系列入力データに加えて,作物の存在を示すバイナリラベルも提供する。 We found that the existing WorldCover map are the best with a F1-score 0.825 and correct of 0.870 on the test set, then a single-headed LSTM model with our hand-labeled training。
論文参考訳（メタデータ） (2023-12-18T01:23:22Z)
Whole-body Detection, Recognition and Identification at Altitude and Range [57.445372305202405]
多様なデータセットに基づいて評価したエンドツーエンドシステムを提案する。我々のアプローチでは、一般的な画像データセットで検出器を事前トレーニングし、BRIARの複雑なビデオや画像でそれを微調整する。屋内・屋外・航空シナリオにおける様々な範囲や角度の異なる条件下で徹底的な評価を行う。
論文参考訳（メタデータ） (2023-11-09T20:20:23Z)
Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文参考訳（メタデータ） (2023-06-20T09:46:01Z)
Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
論文参考訳（メタデータ） (2023-06-05T03:36:01Z)
EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
論文参考訳（メタデータ） (2023-02-15T06:05:14Z)
Scaling multi-species occupancy models to large citizen science datasets [0.0]
我々は,多種多様な占有モデルを大規模データセットに拡張するための近似ベイズ推定法を開発した。空間分離テストセット59,338レコードの予測値について検討した。検出プロセスのモデル化によって合意が大幅に改善され,得られたマップは,高品質なサーベイデータから推定したような専門家マップと密接に一致していることがわかった。
論文参考訳（メタデータ） (2022-06-17T16:54:56Z)
Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-08-02T07:50:50Z)
Automatic Detection of Aedes aegypti Breeding Grounds Based on Deep Networks with Spatio-Temporal Consistency [2.4858193569899907]
Aedes aegypti 蚊はデングジカ、チクングニャ、都市部の黄熱といった病気に感染する。これらの病気に対処するための主要な形態は、蚊の繁殖地を探し、排除することで蚊の繁殖を避けることである。本研究では,蚊の繁殖場所を含む無人航空機で取得した航空映像の包括的データセットを紹介する。
論文参考訳（メタデータ） (2020-07-29T14:30:54Z)

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。