論文の概要: Improving Taxonomic Image-based Out-of-distribution Detection With DNA Barcodes
- arxiv url: http://arxiv.org/abs/2406.18999v1
- Date: Thu, 27 Jun 2024 08:39:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-28 14:47:16.742250
- Title: Improving Taxonomic Image-based Out-of-distribution Detection With DNA Barcodes
- Title（参考訳）: DNAバーコードを用いた分類学的画像を用いたアウト・オブ・ディストリビューション検出の改良
- Authors: Mikko Impiö, Jenni Raitoharju,
- Abstract要約: また,DNAバーコードを用いて,外来DNA配列の類似性に基づいて,外来画像の検索を支援することができるかを検討した。
提案手法は,すべての共通基準値と比較して,分類学的OODの検出を改善できることを実験的に示す。
- 参考スコア（独自算出の注目度）: 6.1593136743688355
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Image-based species identification could help scaling biodiversity monitoring to a global scale. Many challenges still need to be solved in order to implement these systems in real-world applications. A reliable image-based monitoring system must detect out-of-distribution (OOD) classes it has not been presented before. This is challenging especially with fine-grained classes. Emerging environmental monitoring techniques, DNA metabarcoding and eDNA, can help by providing information on OOD classes that are present in a sample. In this paper, we study if DNA barcodes can also support in finding the outlier images based on the outlier DNA sequence's similarity to the seen classes. We propose a re-ordering approach that can be easily applied on any pre-trained models and existing OOD detection methods. We experimentally show that the proposed approach improves taxonomic OOD detection compared to all common baselines. We also show that the method works thanks to a correlation between visual similarity and DNA barcode proximity. The code and data are available at https://github.com/mikkoim/dnaimg-ood.
- Abstract（参考訳）: 画像に基づく種識別は、生物多様性の監視を世界規模に拡大するのに役立ちます。
現実世界のアプリケーションでこれらのシステムを実装するためには、まだ多くの課題が解決される必要がある。
信頼性の高いイメージベース監視システムは、これまで提示されていないOOD(out-of-distriion)クラスを検出する必要がある。
これは特にきめ細かいクラスでは難しい。
新たな環境モニタリング技術、DNAメタバーコード、およびeDNAは、サンプルに存在するOODクラスに関する情報を提供するのに役立つ。
そこで本研究では,DNAバーコードを用いて,外来DNA配列の類似性に基づいて,外来画像の検索を支援することができるかどうかについて検討する。
本稿では,任意の事前学習モデルや既存のOOD検出手法に容易に適用可能なリオーダー手法を提案する。
提案手法は,すべての共通基準値と比較して,分類学的OODの検出を改善できることを実験的に示す。
また、視覚的類似性とDNAバーコード近接性の相関により、本手法が有効であることを示す。
コードとデータはhttps://github.com/mikkoim/dnaimg-ood.comで公開されている。
関連論文リスト
- BIOSCAN-CLIP: Bridging Vision and Genomics for Biodiversity Monitoring at Scale [22.548901362741628]
画像,DNAバーコード,テキストデータを統合埋め込み空間に整列させるために,CLIPスタイルのコントラスト学習を併用したマルチモーダルアプローチを提案する。
本手法は,ゼロショット学習タスクにおいて,従来の単一モダリティ手法を11%以上精度で上回る。
論文 参考訳（メタデータ） (2024-05-27T17:57:48Z) - A noisy elephant in the room: Is your out-of-distribution detector robust to label noise? [49.88894124047644]
我々は、最先端のOOD検出方法20について詳しく検討する。
不正に分類されたIDサンプルとOODサンプルの分離が不十分であることを示す。
論文 参考訳（メタデータ） (2024-04-02T09:40:22Z) - GOODAT: Towards Test-time Graph Out-of-Distribution Detection [103.40396427724667]
グラフニューラルネットワーク(GNN)は、さまざまな領域にわたるグラフデータのモデリングに広く応用されている。
近年の研究では、特定のモデルのトレーニングや、よく訓練されたGNN上でのデータ修正に重点を置いて、OOD検出のグラフを調査している。
本稿では、GNNアーキテクチャのトレーニングデータと修正から独立して動作する、データ中心、教師なし、プラグアンドプレイのソリューションを提案する。
論文 参考訳（メタデータ） (2024-01-10T08:37:39Z) - EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
本稿では,長い尾を持つOOD検出の課題に対処する。
主な困難は、尾クラスに属するサンプルとOODデータを区別することである。
本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
論文 参考訳（メタデータ） (2023-12-14T13:47:13Z) - BarcodeBERT: Transformers for Biodiversity Analysis [19.082058886309028]
本稿では,生物多様性解析のための自己管理手法BarcodeBERTを提案する。
大規模なDNAバーコードデータセットで事前訓練されたBarcodeBERTは、複数の下流分類タスクでDNABERTとDNABERT-2を上回っている。
論文 参考訳（メタデータ） (2023-11-04T13:25:49Z) - From Global to Local: Multi-scale Out-of-distribution Detection [129.37607313927458]
アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)トレーニングプロセス中にラベルが見られない未知のデータを検出することを目的としている。
近年の表現学習の進歩により,距離に基づくOOD検出がもたらされる。
グローバルな視覚情報と局所的な情報の両方を活用する第1のフレームワークであるマルチスケールOOD検出(MODE)を提案する。
論文 参考訳（メタデータ） (2023-08-20T11:56:25Z) - 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) - A Novel Data Augmentation Technique for Out-of-Distribution Sample
Detection using Compounded Corruptions [7.8353348433211165]
CnCと呼ばれるOODデータ拡張のための新しい複合的破壊手法を提案する。
現在の最先端(SOTA)技術とは異なり、CnCはテスト時にバックプロパゲーションやアンサンブルを必要としない。
過去4年間の大規模なカンファレンスから得られた20の手法との比較から,CnCベースのデータ拡張によるトレーニングモデルの方がSOTAを著しく上回ることが示された。
論文 参考訳（メタデータ） (2022-07-28T07:17:11Z) - CSI: Novelty Detection via Contrastive Learning on Distributionally
Shifted Instances [77.28192419848901]
コントラストシフトインスタンス (CSI) という,単純かつ効果的な手法を提案する。
従来のコントラスト学習法のように,サンプルを他の例と対比することに加えて,本トレーニング手法では,サンプルを分散シフトによる拡張と対比する。
本実験は, 種々の新規検出シナリオにおける本手法の優位性を実証する。
論文 参考訳（メタデータ） (2020-07-16T08:32:56Z)
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。