論文の概要: Automatic Counting and Classification of Mosquito Eggs in Field Traps
- arxiv url: http://arxiv.org/abs/2405.20656v1
- Date: Fri, 31 May 2024 07:48:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-03 15:16:48.624126
- Title: Automatic Counting and Classification of Mosquito Eggs in Field Traps
- Title(参考訳): フィールドトラップにおけるモスキート卵の自動計数と分類
- Authors: Javier Naranjo-Alcazar, Jordi Grau-Haro, Pedro Zuccarello, David Almenar, Jesus Lopez-Ballester,
- Abstract要約: 蚊が卵を挿入するフィールドトラップの解析は、不妊虫技術(SIT)が適切に機能していることを確認するのに不可欠である。
これは、ハッチした卵の数は、不妊オスが野生の卵と競合していないことを示唆している可能性があるためである。
トラップの研究は顕微鏡で手作業で行われ、非常に時間がかかり、ヒューマンエラーを起こしやすい。
- 参考スコア(独自算出の注目度): 0.39945675027960637
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The analysis of the field traps where the mosquitoes insert their eggs is vital to check that the sterile insect technique (SIT) is working properly. This is because the number of hatched eggs may indicate that the sterile males are not competing with the wild ones. Nowadays, the study of the traps is done manually by microscope and is very time-consuming and prone to human error. This paper presents an automatic trap survey. For this purpose, a device has been designed that automatically scans the slat obtaining different overlapping photos. Subsequently, the images are analyzed by a Mask-RCNN neural network that segments the eggs and classifies them into 2 classes: full or hatch
- Abstract(参考訳): 蚊が卵を挿入するフィールドトラップの解析は、不妊虫技術(SIT)が適切に機能していることを確認するのに不可欠である。
これは、ハッチした卵の数は、不妊オスが野生の卵と競合していないことを示唆している可能性があるためである。
現在、トラップの研究は顕微鏡で手作業で行われており、非常に時間がかかり、人的ミスを起こしやすい。
本稿では,自動トラップサーベイを提案する。
この目的のために、異なる重なり合う写真を取得するスラットを自動的にスキャンする装置が設計された。
その後、画像はMask-RCNNニューラルネットワークによって分析され、卵を分割し、それらを2つのクラス(フルまたはハッチ)に分類する。
関連論文リスト
- Aedes aegypti Egg Counting with Neural Networks for Object Detection [0.3045605235248346]
本研究では,実験室の卵子を含む新しいデータセットと,その課題に適用した3つのニューラルネットワークの試験結果を提案する。
エッグカウント(Egg counting)は、コンピュータビジョンベースの技術によって自動化される、面倒でエラーを起こしやすいタスクである。
論文 参考訳(メタデータ) (2024-03-12T18:28:13Z) - Female mosquito detection by means of AI techniques inside release containers in the context of a Sterile Insect Technique program [0.42855555838080833]
SIT(Sterile Insect Technique)は、個体群を管理対象とする昆虫の無菌雄の環境への放散に基づく生物害虫防除技術である。
本報告では,SITプログラム用蚊放流槽におけるメスの発見について述べる。
容器は実験装置に収められ、内部の蚊の飛行音を録音することができた。
論文 参考訳(メタデータ) (2023-06-19T10:45:10Z) - ICIP 2022 Challenge on Parasitic Egg Detection and Classification in
Microscopic Images: Dataset, Methods and Results [7.193797131632622]
本稿では, 寄生卵検出と顕微鏡画像の分類に関するICIP 2022 Challengeをレビューする。
このアプリケーションのための新しいデータセットについて説明する。
論文 参考訳(メタデータ) (2022-08-11T22:50:51Z) - Seamless Iterative Semi-Supervised Correction of Imperfect Labels in
Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。
人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。
我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。
本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文 参考訳(メタデータ) (2022-08-05T18:52:20Z) - FIBA: Frequency-Injection based Backdoor Attack in Medical Image
Analysis [82.2511780233828]
本稿では,様々な医療画像解析タスクにおいて,攻撃を行うことのできる新しい周波数注入型バックドアアタック法(FIBA)を提案する。
具体的には、FIBAは、両方の画像のスペクトル振幅を線形に組み合わせることで、トリガー画像の低周波情報を有毒画像に注入できる周波数領域のトリガー関数を利用する。
論文 参考訳(メタデータ) (2021-12-02T11:52:17Z) - Parasitic Egg Detection and Classification in Low-cost Microscopic
Images using Transfer Learning [1.6050172226234583]
高品質な顕微鏡画像における自動寄生虫分類の効率を高めるために, トランスファーラーニング戦略を用いたCNNベースの手法を提案する。
提案するフレームワークは,最先端のオブジェクト認識手法よりも優れている。
本システムと専門家による最終決定が組み合わさって, 低コスト顕微鏡による実地精査を改善できる可能性がある。
論文 参考訳(メタデータ) (2021-07-02T11:05:45Z) - Automatic glissade determination through a mathematical model in
electrooculographic records [58.720142291102135]
グリサドのオーバーシュートは、グリサドとして知られる望ましくないタイプの運動によって特徴づけられる。
本稿では,特定のサッケードにグルーサードが付加されているかどうかを判定する手法を開発する。
機械学習アルゴリズムは訓練され、この種の眼球運動の存在の有無の期待される応答が返されます。
論文 参考訳(メタデータ) (2021-04-19T17:56:55Z) - Hidden Backdoor Attack against Semantic Segmentation Models [60.0327238844584]
Emphbackdoor攻撃は、深層ニューラルネットワーク(DNN)に隠れたバックドアを埋め込み、トレーニングデータに毒を盛ることを目的としている。
我々は,対象ラベルを画像レベルではなくオブジェクトレベルから扱う,新たな攻撃パラダイムであるemphfine-fine-grained attackを提案する。
実験により、提案手法はわずかなトレーニングデータだけを毒殺することでセマンティックセグメンテーションモデルを攻撃することに成功した。
論文 参考訳(メタデータ) (2021-03-06T05:50:29Z) - One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。
2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
論文 参考訳(メタデータ) (2020-12-14T10:44:22Z) - Automating the Surveillance of Mosquito Vectors from Trapped Specimens
Using Computer Vision Techniques [2.9822608774312327]
Aedes aegypti と Anopheles Stephensi の蚊(どちらも致命的なベクター)について研究した。
Inception-ResNet V2とTransfer Learningに基づくCNNモデルは、蚊の分類において全体の80%の精度を得た。
特に,Aedes aegypti と Anopheles stephensi の分類の精度が最も高い。
論文 参考訳(メタデータ) (2020-05-25T15:58:27Z) - 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。