論文の概要: An Interpretable Neural Network for Vegetation Phenotyping with Visualization of Trait-Based Spectral Features
- arxiv url: http://arxiv.org/abs/2407.10333v1
- Date: Sun, 14 Jul 2024 21:20:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 18:39:42.553255
- Title: An Interpretable Neural Network for Vegetation Phenotyping with Visualization of Trait-Based Spectral Features
- Title（参考訳）: トランジットに基づくスペクトル特徴の可視化による植生フェノタイピングのための解釈可能なニューラルネットワーク
- Authors: William Basener, Abigail Basener, Michael Luegering,
- Abstract要約: UPWINS スペクトルライブラリーで訓練された解釈可能なニューラルネットワークで, 種, 健康, 成長段階, 年次変動, 環境条件など, 13種の指標種, 天然の共通背景種を多種多様なメタデータで分析した。
ネットワーク内のニューロンは, ネットワーク重量の可視化を通じて, 化学的および生理的特性のスペクトル指標を学習し, それらの特性が, 実験セット上で90%の精度で, 種同定のためのネットワークによってどのように結合されているかを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Plant phenotyping is the assessment of a plant's traits and plant identification is the process of determining the category such as genus and species. In this paper we present an interpretable neural network trained on the UPWINS spectral library which contains spectra with rich metadata across variation in species, health, growth stage, annual variation, and environmental conditions for 13 selected indicator species and natural common background species. We show that the neurons in the network learn spectral indicators for chemical and physiological traits through visualization of the network weights, and we show how these traits are combined by the network for species identification with an accuracy around 90% on a test set. While neural networks are often perceived as `black box' classifiers, our work shows that they can be in fact more explainable and informative than other machine learning methods. We show that the neurons learn fundamental traits about the vegetation, for example the composition of different types of chlorophyll present which indicates species as well as response to illumination conditions. There is clear excess training capacity in our network, and we expect that as the UPWINS spectral library continues to grow the approach in this paper will provide further foundational insights in understanding plant traits. This provides a methodology for designing and interpreting neural networks on spectral data in general, and provides a framework for using neural networks with hyperspectral imagery for understanding vegetation that is extendable to other domains.
- Abstract（参考訳）: 植物表現型は植物の形質の評価であり、植物識別は属や種などの分類を決定する過程である。
本稿では, UPWINS スペクトルライブラリをトレーニングした解釈型ニューラルネットワークについて, 種, 健康, 成長段階, 年次変動, 環境条件の多彩なメタデータを持つスペクトルを, 13種の指標種および自然共通背景種に対して含む。
ネットワーク内のニューロンは, ネットワーク重量の可視化を通じて, 化学的および生理的特性のスペクトル指標を学習し, それらの特性が, 実験セット上で90%の精度で, 種同定のためのネットワークによってどのように結合されているかを示す。
ニューラルネットワークはしばしば‘ブラックボックス’分類器として認識されるが、我々の研究は、それらが他の機械学習手法よりも説明可能で情報的であることを示している。
両ニューロンは植物に関する基本的な特徴を学習し,例えば,生物種を示すクロロフィルの組成や,照明条件に対する応答を示す。
ネットワークには明らかな過剰な訓練能力があり、UPWINSスペクトルライブラリが引き続きそのアプローチを拡大し続ければ、植物特性を理解する上でのさらなる基礎的な洞察が得られると期待する。
これは、一般にスペクトルデータ上でニューラルネットワークを設計し、解釈するための方法論を提供し、他のドメインに拡張可能な植生を理解するために、ハイパースペクトル画像を備えたニューラルネットワークを使用するためのフレームワークを提供する。
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) - Few-Shot Learning Enables Population-Scale Analysis of Leaf Traits in
Populus trichocarpa [1.9089478605920305]
この研究は、(i)最小のトレーニングデータを必要とする高速で正確な画像ベースの特徴抽出のための方法と、(ii)68種類の葉の表現型を含む新しい集団規模のデータセットを、ドメイン科学者や機械学習研究者向けに植物表現型コミュニティに提供するように設計されている。
数発の学習コード、データ、結果はすべて公開されています。
論文 参考訳（メタデータ） (2023-01-24T23:40:01Z) - Spectral Evolution and Invariance in Linear-width Neural Networks [8.419660614226816]
線形幅フィードフォワードニューラルネットワークのスペクトル特性について検討する。
この高次元構造における重みのスペクトルは、小さな定常学習率の勾配降下によって訓練されたときに不変であることを示す。
また,テストエラーや特徴学習の少ない適応的勾配学習では,重みとカーネルの両方に重みが認められた。
論文 参考訳（メタデータ） (2022-11-11T23:00:30Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳（メタデータ） (2022-10-24T14:37:09Z) - Neural Network Learning of Chemical Bond Representations in Spectral
Indices and Features [0.0]
異なる植生クラスで訓練されたニューラルネットワークが、この反射率の差を測定することを学ぶことを示す。
次に、より複雑な10種類のポリマー材料で訓練されたニューラルネットワークが、ネットワークの重みで明らかなスペクトルの「特徴」を学習することを示した。
論文 参考訳（メタデータ） (2022-07-21T15:11:51Z) - 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) - Adaptive Transfer Learning for Plant Phenotyping [33.28898554551106]
植物表現の表現における現代の機械学習モデルの知識伝達可能性について検討する。
植物フェノタイピングにおける注釈付きサンプル数に影響を及ぼす従来の機械学習モデルの性能について
ニューラルネットワークに基づく伝達学習モデルは植物の表現型化の性能を向上させるか?
論文 参考訳（メタデータ） (2022-01-14T00:40:40Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - Classification and Visualization of Genotype x Phenotype Interactions in
Biomass Sorghum [7.9880851102831185]
単一ヌクレオチド多型(SNP)と関連するSNP群との関係を理解するための簡単なアプローチを導入する。
このパイプラインは、さまざまなSNPの参照バージョンと代替バージョンを持つ植物のイメージを区別するために、深層畳み込みニューラルネットワーク(CNN)を訓練する。
論文 参考訳（メタデータ） (2021-08-09T14:39:23Z) - Complexity-based speciation and genotype representation for
neuroevolution [81.21462458089142]
本稿では、進化するネットワークを隠されたニューロンの数に基づいて種に分類する神経進化の種分化原理を提案する。
提案された種分化原理は、種および生態系全体における多様性の促進と保存を目的として設計されたいくつかの技術で採用されている。
論文 参考訳（メタデータ） (2020-10-11T06:26:56Z) - Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。
シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文 参考訳（メタデータ） (2020-05-18T21:57:47Z)
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。