論文の概要: Low Cost Machine Vision for Insect Classification

• arxiv url: http://arxiv.org/abs/2404.17488v1
• Date: Fri, 26 Apr 2024 15:43:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-29 12:45:10.462676
• Title: Low Cost Machine Vision for Insect Classification
• Title（参考訳）: 昆虫分類のための低コスト機械ビジョン
• Authors: Danja Brandt, Martin Tschaikner, Teodor Chiaburu, Henning Schmidt, Ilona Schrimpf, Alexandra Stadel, Ingeborg E. Beckers, Frank Haußer,
• Abstract要約: 本稿では,低コストでスケーラブルなオープンソースシステムとして開発されたマルチセンサシステムの一部として,イメージング手法を提案する。 このシステムは、同じ昆虫種16種と異なる属、家系、順序からなるデータセットで、例に評価される。 種間類似度の高い種を分類するためには,昆虫のイメージトリミングが必要であることが証明された。
• 参考スコア（独自算出の注目度）: 33.7054351451505
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Preserving the number and diversity of insects is one of our society's most important goals in the area of environmental sustainability. A prerequisite for this is a systematic and up-scaled monitoring in order to detect correlations and identify countermeasures. Therefore, automatized monitoring using live traps is important, but so far there is no system that provides image data of sufficient detailed information for entomological classification. In this work, we present an imaging method as part of a multisensor system developed as a low-cost, scalable, open-source system that is adaptable to classical trap types. The image quality meets the requirements needed for classification in the taxonomic tree. Therefore, illumination and resolution have been optimized and motion artefacts have been suppressed. The system is evaluated exemplarily on a dataset consisting of 16 insect species of the same as well as different genus, family and order. We demonstrate that standard CNN-architectures like ResNet50 (pretrained on iNaturalist data) or MobileNet perform very well for the prediction task after re-training. Smaller custom made CNNs also lead to promising results. Classification accuracy of $>96\%$ has been achieved. Moreover, it was proved that image cropping of insects is necessary for classification of species with high inter-class similarity.
• Abstract（参考訳）: 昆虫の数と多様性を維持することは、環境の持続可能性の領域において、我々の社会の最も重要な目標の1つです。 このための前提条件は、相関を検知し、対策を識別するために、体系的かつ大規模に監視することである。 そのため、ライブトラップを用いた自動監視が重要であるが、今のところ、昆虫学的分類に十分な詳細な情報の画像データを提供するシステムは存在しない。 本研究では,従来のトラップ型に適応可能な低コストでスケーラブルなオープンソースシステムとして開発されたマルチセンサシステムの一部として,イメージング手法を提案する。 画像の品質は分類木における分類に必要な要件を満たす。 そのため、照明と解像度が最適化され、運動人工物が抑制されている。 本システムは、同種の昆虫種16種と、異なる属、属、および順序からなるデータセット上で、模範的に評価される。 我々は、ResNet50(iNaturalistデータに基づく)やMobileNetのような標準CNNアーキテクチャが、再トレーニング後の予測タスクに非常によく機能することを示した。 より小さなカスタムCNNも有望な結果をもたらす。 96\%$の分類精度が達成されている。 さらに, 種間類似度の高い種分類には, 昆虫のイメージトリミングが必要であることが証明された。

関連論文リスト

• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Deep Learning Pipeline for Automated Visual Moth Monitoring: Insect Localization and Species Classification [10.423464288613275]
  本稿では,マウススキャナーが捉えた画像を分析するためのディープラーニングパイプラインを提案する。 本研究はまず寄生虫検出装置を用いて個体を局在させ,その後に検出された昆虫の種類を決定する。 我々の検出器は平均精度99.01%に達し、分類器は画像の切り抜きにおいて精度93.13%の精度で200種を識別する。
  論文  参考訳（メタデータ） (2023-07-28T09:22:09Z)
• Facilitated machine learning for image-based fruit quality assessment in developing countries [68.8204255655161]
  自動画像分類は食品科学における教師あり機械学習の一般的な課題である。 事前学習型視覚変換器(ViT)に基づく代替手法を提案する。 標準的なデバイス上で限られたリソースで簡単に実装できる。
  論文  参考訳（メタデータ） (2022-07-10T19:52:20Z)
• A Comprehensive Study of Image Classification Model Sensitivity to Foregrounds, Backgrounds, and Visual Attributes [58.633364000258645]
  このデータセットをRIVAL10と呼びます。 本研究では,前景,背景,属性の騒音劣化に対する幅広いモデルの感度を評価する。 本稿では,多種多様な最先端アーキテクチャ (ResNets, Transformers) とトレーニング手順 (CLIP, SimCLR, DeiT, Adversarial Training) について考察する。
  論文  参考訳（メタデータ） (2022-01-26T06:31:28Z)
• A deep convolutional neural network for classification of Aedes albopictus mosquitoes [1.6758573326215689]
  本稿では2つのDeep Convolutional Neural Networksを,分類タスクの自動化のための比較研究に適用する。 移動学習の原理を用いて、Mosquito Alertプロジェクトが提供するデータに基づいて、2つの最先端アーキテクチャを訓練する。 さらに,Grad-CAMアルゴリズムに基づく説明可能なモデルを適用し,分類画像の最も識別性の高い領域を可視化した。
  論文  参考訳（メタデータ） (2021-10-29T17:58:32Z)
• Less is More: Lighter and Faster Deep Neural Architecture for Tomato Leaf Disease Classification [0.36700088931938835]
  本研究は,トマト葉の病原体を検出するための,手軽な伝達学習に基づくアプローチを提案する。 効果的な前処理手法を用いて、照度補正による葉画像の高精細化を行い、分類を改良する。 提案アーキテクチャは99.30%の精度でモデルサイズ9.60MBと4.87M浮動小数点演算を実現している。
  論文  参考訳（メタデータ） (2021-09-06T12:14:02Z)
• An Efficient Insect Pest Classification Using Multiple Convolutional Neural Network Based Models [0.3222802562733786]
  昆虫の分類は、様々な種類、スケール、形状、フィールドの複雑な背景、昆虫種間の外観的類似性から難しい課題である。 本研究では、注目、特徴ピラミッド、きめ細かいモデルを含む、さまざまな畳み込みニューラルネットワークベースのモデルを提示する。 実験の結果、これらの畳み込みニューラルネットワークベースのモデルを組み合わせることで、これらの2つのデータセットの最先端の手法よりもパフォーマンスが向上することが示された。
  論文  参考訳（メタデータ） (2021-07-26T12:53:28Z)
• 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)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

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。