論文の概要: Artificial Intelligence-powered fossil shark tooth identification: Unleashing the potential of Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2405.04189v1
• Date: Tue, 7 May 2024 10:49:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-08 14:29:58.637420
• Title: Artificial Intelligence-powered fossil shark tooth identification: Unleashing the potential of Convolutional Neural Networks
• Title（参考訳）: 人工知能を利用した化石サメの歯の識別:畳み込みニューラルネットワークの可能性
• Authors: Andrea Barucci, Giulia Ciacci, Pietro Liò, Tiago Azevedo, Andrea Di Cencio, Marco Merella, Giovanni Bianucci, Giulia Bosio, Simone Casati, Alberto Collareta,
• Abstract要約: 本研究では,分離されたサメの歯のイメージを分類するためのCNN(Convolutional Neural Networks)の能力について検討した。 我々は、認識タスクに特化されたSharkNet-XというCNNを開発し、平均精度0.85に5倍の精度で到達した。 結果について古生物学的な視点を与えながらCNNの振る舞いを理解し説明するために, SHAP法を導入した。
• 参考スコア（独自算出の注目度）: 10.946419654203613
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: All fields of knowledge are being impacted by Artificial Intelligence. In particular, the Deep Learning paradigm enables the development of data analysis tools that support subject matter experts in a variety of sectors, from physics up to the recognition of ancient languages. Palaeontology is now observing this trend as well. This study explores the capability of Convolutional Neural Networks (CNNs), a particular class of Deep Learning algorithms specifically crafted for computer vision tasks, to classify images of isolated fossil shark teeth gathered from online datasets as well as from the authors$'$ experience on Peruvian Miocene and Italian Pliocene fossil assemblages. The shark taxa that are included in the final, composite dataset (which consists of more than one thousand images) are representative of both extinct and extant genera, namely, Carcharhinus, Carcharias, Carcharocles, Chlamydoselachus, Cosmopolitodus, Galeocerdo, Hemipristis, Notorynchus, Prionace and Squatina. We developed a CNN, named SharkNet-X, specifically tailored on our recognition task, reaching a 5-fold cross validated mean accuracy of 0.85 to identify images containing a single shark tooth. Furthermore, we elaborated a visualization of the features extracted from images using the last dense layer of the CNN, achieved through the application of the clustering technique t-SNE. In addition, in order to understand and explain the behaviour of the CNN while giving a paleontological point of view on the results, we introduced the explainability method SHAP. To the best of our knowledge, this is the first instance in which this method is applied to the field of palaeontology. The main goal of this work is to showcase how Deep Learning techniques can aid in identifying isolated fossil shark teeth, paving the way for developing new information tools for automating the recognition and classification of fossils.
• Abstract（参考訳）: 知識のあらゆる分野が人工知能の影響を受けている。 特に、ディープラーニングパラダイムは、物理学から古代言語の認識まで、さまざまな分野の主題の専門家を支援するデータ分析ツールの開発を可能にする。 古生物学もこの傾向を観察している。 本研究では、コンピュータビジョンタスクに特化したDeep Learningアルゴリズムの特定のクラスである畳み込みニューラルネットワーク(CNN)を用いて、オンラインデータセットから収集された孤立したサメの歯の像を分類し、ペルー中新世およびイタリア鮮新世化石集合体の著者$$$$2の体験から分析する。 最終分類群に含まれるサメの分類群(千枚以上の画像からなる)は、絶滅した属と現存した属、すなわちカルカリンス、カルカリアス、カルカロクレス、クラミドセラコス、コスモポリトドゥス、ガレオセルド、ヘミプリスティス、ノノレンチャス、プリオナス、スクアリーナの両方を代表している。 我々は、認識タスクに特化されたSharkNet-XというCNNを開発し、一本のサメ歯を含む画像を特定するために、5倍の平均精度0.85に達した。 さらに,クラスタリング技術t-SNEの適用により得られたCNNの最後の高密度層を用いて,画像から抽出した特徴の可視化を行った。 また,CNNの行動の理解と説明のために,古生物学的視点を提示し,説明可能性法SHAPを導入した。 我々の知る限りでは、この手法がパレオノロジーの分野に適用される最初の例である。 この研究の主な目的は、ディープ・ラーニング(Deep Learning)技術が単離されたサメの歯の識別を助け、化石の認識と分類を自動化するための新しい情報ツールを開発する方法を明らかにすることである。

関連論文リスト

• Unveiling the Unseen: Identifiable Clusters in Trained Depthwise Convolutional Kernels [56.69755544814834]
  深部分離型畳み込みニューラルネットワーク(DS-CNN)の最近の進歩は、新しいアーキテクチャをもたらす。 本稿では,DS-CNNアーキテクチャのもう一つの顕著な特性を明らかにする。
  論文  参考訳（メタデータ） (2024-01-25T19:05:53Z)
• Discovering Galaxy Features via Dataset Distillation [7.121183597915665]
  多くのアプリケーションにおいて、ニューラルネット(NN)は、人間の能力以上の分類性能を持つ。 ここでは、このアイデアを銀河分類の非常に難しい課題に適用する。 ニューラルネットワークのレンズを通して原型銀河形態を要約し視覚化する新しい方法を提案する。
  論文  参考訳（メタデータ） (2023-11-29T12:39:31Z)
• Deep Neural Network Identification of Limnonectes Species and New Class Detection Using Image Data [5.943822554753426]
  ディープニューラルネットワークは、画像の分類を訓練された既知の種グループに分類することに成功した。 このアルゴリズムは,既存のクラスに属さない場合には,イメージを新しいクラスに分類できることを示す。
  論文  参考訳（メタデータ） (2023-11-15T02:57:59Z)
• Why do CNNs excel at feature extraction? A mathematical explanation [53.807657273043446]
  実世界のデータセットに似た画像を生成するのに使用できる特徴抽出に基づく画像分類の新しいモデルを提案する。 本研究では,特徴の存在を検知する一方向線形関数を構築し,畳み込みネットワークで実現可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-03T10:41:34Z)
• Multilayer deep feature extraction for visual texture recognition [0.0]
  本稿では,テクスチャ分類における畳み込みニューラルネットワークの精度向上に着目した。 事前訓練されたニューラルネットワークの複数の畳み込み層から特徴を抽出し、フィッシャーベクトルを用いてそのような特徴を集約する。 本手法は,ブラジルの植物種識別の実践的課題と同様に,ベンチマークデータセットのテクスチャ分類における有効性を検証する。
  論文  参考訳（メタデータ） (2022-08-22T03:53:43Z)
• Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
  Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。 本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。 NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-25T12:41:59Z)
• Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
  本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。 我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。 本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
  論文  参考訳（メタデータ） (2022-05-16T06:49:36Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Malicious Network Traffic Detection via Deep Learning: An Information Theoretic View [0.0]
  本研究では,ホメオモルフィズムがマルウェアのトラフィックデータセットの学習表現に与える影響について検討する。 この結果から,学習された表現の詳細と,すべてのパラメータの多様体上で定義された特定の座標系は,関数近似とは全く異なることが示唆された。
  論文  参考訳（メタデータ） (2020-09-16T15:37:44Z)
• Curriculum By Smoothing [52.08553521577014]
  畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。 アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。 トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
  論文  参考訳（メタデータ） (2020-03-03T07:27:44Z)

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。