論文の概要: Fish-Vista: A Multi-Purpose Dataset for Understanding & Identification of Traits from Images

• arxiv url: http://arxiv.org/abs/2407.08027v1
• Date: Wed, 10 Jul 2024 20:10:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-07-12 21:29:18.704968
• Title: Fish-Vista: A Multi-Purpose Dataset for Understanding & Identification of Traits from Images
• Title（参考訳）: Fish-Vista:画像からのトラストの理解と識別のための多目的データセット
• Authors: Kazi Sajeed Mehrab, M. Maruf, Arka Daw, Harish Babu Manogaran, Abhilash Neog, Mridul Khurana, Bahadir Altintas, Yasin Bakis, Elizabeth G Campolongo, Matthew J Thompson, Xiaojun Wang, Hilmar Lapp, Wei-Lun Chao, Paula M. Mabee, Henry L. Bart Jr., Wasila Dahdul, Anuj Karpatne,
• Abstract要約: フィッシュ・ビジュアル・トレイト・アナリティクス(英: Fish-Visual Trait Analysis)は、1900の異なる種にまたがる約60万点の魚画像の大規模な注釈付きコレクションである。 Fish-Vistaは、各画像に存在する様々な視覚特性のきめ細かいラベルを提供する。 また、2427枚の魚の画像に対して9つの異なる特徴のピクセルレベルのアノテーションを提供する。
• 参考スコア（独自算出の注目度）: 19.539428709275917
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Fishes are integral to both ecological systems and economic sectors, and studying fish traits is crucial for understanding biodiversity patterns and macro-evolution trends. To enable the analysis of visual traits from fish images, we introduce the Fish-Visual Trait Analysis (Fish-Vista) dataset - a large, annotated collection of about 60K fish images spanning 1900 different species, supporting several challenging and biologically relevant tasks including species classification, trait identification, and trait segmentation. These images have been curated through a sophisticated data processing pipeline applied to a cumulative set of images obtained from various museum collections. Fish-Vista provides fine-grained labels of various visual traits present in each image. It also offers pixel-level annotations of 9 different traits for 2427 fish images, facilitating additional trait segmentation and localization tasks. The ultimate goal of Fish-Vista is to provide a clean, carefully curated, high-resolution dataset that can serve as a foundation for accelerating biological discoveries using advances in AI. Finally, we provide a comprehensive analysis of state-of-the-art deep learning techniques on Fish-Vista.
• Abstract（参考訳）: 魚類は生態システムと経済分野の両方に不可欠であり、魚の特徴を研究することは生物多様性のパターンとマクロ進化の傾向を理解するのに不可欠である。 魚画像からの視覚的特徴の分析を可能にするために,1900種にまたがる約60Kの魚画像の大規模かつ注釈付きコレクションであるFish-Visual Trait Analysis (Fish-Vista)データセットを導入した。 これらの画像は、様々な博物館コレクションから得られた累積的な画像に応用された洗練されたデータ処理パイプラインを通してキュレートされている。 Fish-Vistaは、各画像に存在する様々な視覚特性のきめ細かいラベルを提供する。 また、2427の魚の画像に対して9つの異なる特徴のピクセルレベルのアノテーションを提供し、さらに特徴のセグメンテーションとローカライゼーションタスクを容易にしている。 Fish-Vistaの最終的な目標は、クリーンで慎重にキュレートされた高解像度データセットを提供することで、AIの進歩を利用して生物学的発見を加速するための基盤となる。 最後に,フィッシュビスタにおける最先端の深層学習手法を総合的に分析する。

関連論文リスト

• FishNet: Deep Neural Networks for Low-Cost Fish Stock Estimation [0.0]
  FishNetは、分類分類と魚の大きさ推定の両方を自動化したコンピュータビジョンシステムである。 我々は163種の1.2万魚を含む30万枚の手ラベル画像のデータセットを使用する。 魚の区分け作業では92%、単一魚種分類では89%、魚長推定では2.3cmの平均絶対誤差が達成されている。
  論文  参考訳（メタデータ） (2024-03-16T12:44:08Z)
• 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)
• UniAP: Towards Universal Animal Perception in Vision via Few-shot Learning [24.157933537030086]
  様々な視覚的タスクにおいて種間認識を可能にする新しいユニバーサル・アニマル・パーセプション・モデルであるUniAPを紹介した。 異なる動物やタスク間で共有される視覚的特徴を活かすことで、UniAPは、よく研究された種から限られたラベル付きデータや未知の種への知識の伝達を可能にしている。
  論文  参考訳（メタデータ） (2023-08-19T09:13:46Z)
• SimFIR: A Simple Framework for Fisheye Image Rectification with Self-supervised Representation Learning [105.01294305972037]
  自己教師型表現学習に基づく魚眼画像修正のためのフレームワークであるSimFIRを紹介する。 まず魚眼画像を複数のパッチに分割し,その表現を視覚変換器で抽出する。 下流修正作業における転送性能が著しく向上し、学習された表現の有効性が検証される。
  論文  参考訳（メタデータ） (2023-08-17T15:20:17Z)
• Discovering Novel Biological Traits From Images Using Phylogeny-Guided Neural Networks [10.372001949268636]
  本稿では,特徴ラベルに依存しない画像から進化的特徴を直接発見するための新しい手法を提案する。 提案手法であるPhylo-NNは、生物の画像を量子化された特徴ベクトルの列にエンコードする。 本研究は,多くの下流タスクにおいて生物学的に有意義な結果を生み出すためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-06-05T20:22:05Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Learning Transferable Pedestrian Representation from Multimodal Information Supervision [174.5150760804929]
  VAL-PATは、移動可能な表現を学習し、様々な歩行者分析タスクをマルチモーダル情報で強化する新しいフレームワークである。 まず、LUPerson-TAデータセットで事前トレーニングを行い、各画像にはテキストと属性アノテーションが含まれている。 次に、学習した表現を、人物のreID、人物属性認識、テキストベースの人物検索など、さまざまな下流タスクに転送する。
  論文  参考訳（メタデータ） (2023-04-12T01:20:58Z)
• A domain adaptive deep learning solution for scanpath prediction of paintings [66.46953851227454]
  本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。 我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。 提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
  論文  参考訳（メタデータ） (2022-09-22T22:27:08Z)
• Learning multi-scale functional representations of proteins from single-cell microscopy data [77.34726150561087]
  局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。 また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-24T00:00:07Z)
• Series Photo Selection via Multi-view Graph Learning [52.33318426088579]
  連続写真選択(SPS)は画像美学の質評価の重要な分野である。 我々は,マルチビュー特徴間の関係を構築するために,グラフニューラルネットワークを利用する。 ほぼ同一の一連の写真の中から最適なものを選択するために、シアムズネットワークが提案されている。
  論文  参考訳（メタデータ） (2022-03-18T04:23:25Z)
• Self-Supervised Vision Transformers Learn Visual Concepts in Histopathology [5.164102666113966]
  我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。 我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
  論文  参考訳（メタデータ） (2022-03-01T16:14:41Z)
• A Survey of Fish Tracking Techniques Based on Computer Vision [11.994865945394139]
  本稿では,過去7年間の魚類追跡技術の進歩を概観する。 基本的位置決めと追跡方法に重点を置き、多様な魚の追跡手法を探求する。 また、オープンソースのデータセット、評価指標、課題、魚の追跡研究への応用についても要約している。
  論文  参考訳（メタデータ） (2021-10-06T07:46:35Z)
• Factors of Influence for Transfer Learning across Diverse Appearance Domains and Task Types [50.1843146606122]
  現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。 転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。 本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
  論文  参考訳（メタデータ） (2021-03-24T16:24:20Z)
• Perspectives on individual animal identification from biology and computer vision [58.81800919492064]
  計算機科学者と生物学者の両方に利用可能なツールの概要を提供するコンピュータビジョン識別技術の最近の進歩を概観する。 動物識別プロジェクトを始めるための勧告を提示し、現在の限界を説明し、将来どのように対処されるかを提案する。
  論文  参考訳（メタデータ） (2021-02-28T16:50:09Z)
• 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)
• Unifying data for fine-grained visual species classification [15.14767769034929]
  465種にまたがる2.9M画像に基づいて訓練した,初期の深部畳み込みニューラルネットワークモデルを提案する。 長期的な目標は、科学者が種数と人口の健康状態のほぼリアルタイムでの分析から、保護的なレコメンデーションを行うことである。
  論文  参考訳（メタデータ） (2020-09-24T01:04:18Z)
• A Realistic Fish-Habitat Dataset to Evaluate Algorithms for Underwater Visual Analysis [2.6476746128312194]
  我々は、DeepFishを大規模データセットでベンチマークスイートとして提示し、いくつかのコンピュータビジョンタスクのためのメソッドをトレーニングし、テストする。 このデータセットは、熱帯オーストラリアの海洋環境にある20の温帯生物から採取された約4万枚の画像で構成されている。 実験では,データセットの特徴を詳細に分析し,いくつかの最先端手法の性能評価を行った。
  論文  参考訳（メタデータ） (2020-08-28T12:20:59Z)
• Temperate Fish Detection and Classification: a Deep Learning based Approach [6.282069822653608]
  本研究では,2段階の深層学習手法を提案する。 最初のステップは、種や性別によらず、画像中の各魚を検出することです。 第2のステップでは、画像中の各魚を事前フィルタリングせずに分類するために、Squeeze-and-Excitation (SE)アーキテクチャを備えた畳み込みニューラルネットワーク(CNN)を採用する。
  論文  参考訳（メタデータ） (2020-05-14T12:40:57Z)
• 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。