論文の概要: Self-Supervised and Few-Shot Learning for Robust Bioaerosol Monitoring
- arxiv url: http://arxiv.org/abs/2406.09984v1
- Date: Fri, 14 Jun 2024 12:48:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-17 13:45:23.975983
- Title: Self-Supervised and Few-Shot Learning for Robust Bioaerosol Monitoring
- Title（参考訳）: ロバストバイオエアロゾルモニタリングのためのセルフ・スーパービジョンとFew-Shot Learning
- Authors: Adrian Willi, Pascal Baumann, Sophie Erb, Fabian Gröger, Yanick Zeder, Simone Lionetti,
- Abstract要約: バイオエアロゾル粒子のホログラフィー画像の分類に自己教師付き学習と少数ショット学習を組み合わせることができることを示す。
本研究は,リアルタイムバイオエアロゾルモニタリングを効果的に最適化できることを示唆する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Real-time bioaerosol monitoring is improving the quality of life for people affected by allergies, but it often relies on deep-learning models which pose challenges for widespread adoption. These models are typically trained in a supervised fashion and require considerable effort to produce large amounts of annotated data, an effort that must be repeated for new particles, geographical regions, or measurement systems. In this work, we show that self-supervised learning and few-shot learning can be combined to classify holographic images of bioaerosol particles using a large collection of unlabelled data and only a few examples for each particle type. We first demonstrate that self-supervision on pictures of unidentified particles from ambient air measurements enhances identification even when labelled data is abundant. Most importantly, it greatly improves few-shot classification when only a handful of labelled images are available. Our findings suggest that real-time bioaerosol monitoring workflows can be substantially optimized, and the effort required to adapt models for different situations considerably reduced.
- Abstract（参考訳）: リアルタイムバイオエアロゾルモニタリングはアレルギーの影響を受ける人々の生活の質を向上させるが、広く普及する上で課題となるディープラーニングモデルに依存していることが多い。
これらのモデルは典型的には教師付き方式で訓練され、大量の注釈付きデータを生成するためにかなりの努力を要する。
本研究では, バイオエアロゾル粒子のホログラフィー画像の分類に, 自己教師型学習と少数ショット学習を組み合わせることで, 多数の未ラベルデータと, 粒子タイプごとのサンプルのみを用いて, バイオエアロゾル粒子のホログラフィー画像の分類を行うことができることを示す。
まず, 環境空気計測による未同定粒子の画像の自己監督により, ラベル付きデータが豊富である場合でも, 識別が促進されることを実証した。
最も重要なことは、ラベル付き画像がほんの数枚しか手に入らない場合、写真分類を大幅に改善することです。
本研究は, リアルタイムバイオエアロゾルモニタリングワークフローを効果的に最適化し, 異なる状況にモデルを適応させるために必要な労力を大幅に削減できることを示唆する。
関連論文リスト
- Feedback Efficient Online Fine-Tuning of Diffusion Models [52.170384048274364]
提案手法は, 実現可能なサンプルの多様体上で効率的に探索できる新しい強化学習手法である。
本稿では,3つの領域にまたがる実証的検証とともに,後悔の保証を提供する理論的解析を提案する。
論文 参考訳（メタデータ） (2024-02-26T07:24:32Z) - Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images
with Free Attention Masks [64.67735676127208]
テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。
有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。
上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
論文 参考訳（メタデータ） (2023-08-13T10:07:46Z) - A Comparative Study on Generative Models for High Resolution Solar
Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。
スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文 参考訳（メタデータ） (2023-04-14T14:40:32Z) - ChemVise: Maximizing Out-of-Distribution Chemical Detection with the
Novel Application of Zero-Shot Learning [60.02503434201552]
本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。
合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
論文 参考訳（メタデータ） (2023-02-09T20:19:57Z) - Unpaired Image-to-Image Translation with Limited Data to Reveal Subtle
Phenotypes [0.5076419064097732]
本稿では,多数の画像の必要性を軽減するために,自己教師付き識別器を用いた改良型CycleGANアーキテクチャを提案する。
また, 生物学的データセットを用いて, 明らかな細胞表現型および非予防的な細胞表現型変異について検討した。
論文 参考訳（メタデータ） (2023-01-21T16:25:04Z) - Fast spline detection in high density microscopy data [0.0]
多生物系の顕微鏡的研究において、衝突と重なりの問題は依然として困難である。
そこで,本研究では,一般的なモチーフと重なり合うスプラインの正確な形状軌跡を抽出する,エンドツーエンドの深層学習手法を開発した。
線虫Caenorhabditis elegansの密集実験における使用性の設定と実証を行った。
論文 参考訳（メタデータ） (2023-01-11T13:40:05Z) - An unobtrusive quality supervision approach for medical image annotation [8.203076178571576]
ユーザは、目に見えないデータを注釈付けして、不当にパフォーマンスを評価できる自動化システムを持つことが望ましい。
我々は, 条件付き生成逆数ネットワークと拡散モデルという, 合成された個々の細胞画像を生成する2つの方法を評価する。
ユーザーは52.12%の画像を検出できず、元の細胞を合成細胞に置き換える可能性を証明することができた。
論文 参考訳（メタデータ） (2022-11-11T11:57:26Z) - Ensembles of Vision Transformers as a New Paradigm for Automated
Classification in Ecology [0.0]
データ効率のよい画像変換器(DeiTs)のアンサンブルが従来のSOTA(SOTA)よりも大幅に優れていたことを示す。
テストしたすべてのデータセットに対して、新しいSOTAを実現し、以前のSOTAの18.48%から87.50%の誤差を削減した。
論文 参考訳（メタデータ） (2022-03-03T14:16:22Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T06:06:06Z) - Federated Learning for Computational Pathology on Gigapixel Whole Slide
Images [4.035591045544291]
計算病理学において,ギガピクセル全体の画像に対するプライバシ保護フェデレーション学習を導入する。
スライドレベルのラベルのみを用いた数千のスライディング画像を用いた2つの異なる診断問題に対するアプローチについて検討した。
論文 参考訳（メタデータ） (2020-09-21T21:56:08Z)
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。