論文の概要: Flatfish Lesion Detection Based on Part Segmentation Approach and Lesion Image Generation

• arxiv url: http://arxiv.org/abs/2407.11348v2
• Date: Mon, 16 Jun 2025 04:53:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:44.596357
• Title: Flatfish Lesion Detection Based on Part Segmentation Approach and Lesion Image Generation
• Title（参考訳）: 部分分割法によるフラットフィッシュ損傷検出と画像生成
• Authors: Seo-Bin Hwang, Han-Young Kim, Chae-Yeon Heo, Hie-Yong Jeong, Sung-Ju Jung, Yeong-Jun Cho,
• Abstract要約: ヒラメは、世界中で大量に消費される主要な養殖種である。 伝統的に、視覚検査によって病変が検出されるが、多数の魚を観察することは困難である。 本研究は, 生成的対向ネットワークと画像調和法を用いて, 魚の病変像を増強する。
• 参考スコア（独自算出の注目度）: 0.5937476291232799
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The flatfish is a major farmed species consumed globally in large quantities. However, due to the densely populated farming environment, flatfish are susceptible to lesions and diseases, making early lesion detection crucial. Traditionally, lesions were detected through visual inspection, but observing large numbers of fish is challenging. Automated approaches based on deep learning technologies have been widely used to address this problem, but accurate detection remains difficult due to the diversity of the fish and the lack of a fish lesion and disease dataset. This study augments fish lesion images using generative adversarial networks and image harmonization methods. Next, lesion detectors are trained separately for three body parts (head, fins, and body) to address individual lesions properly. Additionally, a flatfish lesion and disease image dataset, called FlatIMG, is created and verified using the proposed methods on the dataset. A flash salmon lesion dataset is also tested to validate the generalizability of the proposed methods. The results achieved 12% higher performance than the baseline framework. This study is the first attempt to create a high-quality flatfish lesion image dataset with detailed annotations and propose an effective lesion detection framework. Automatic lesion and disease monitoring can be achieved in farming environments using the proposed methods and dataset.
• Abstract（参考訳）: ヒラメは、世界中で大量に消費される主要な養殖種である。 しかし、人口密集した農業環境のため、フラットフィッシュは病変や病気の影響を受けやすいため、早期の病変の発見が不可欠である。 伝統的に、視覚検査によって病変が検出されるが、多数の魚を観察することは困難である。 深層学習技術に基づく自動的なアプローチはこの問題に対処するために広く用いられているが、魚の多様性と魚の病変や疾患データセットの欠如により、正確な検出は難しいままである。 本研究は, 生成的対向ネットワークと画像調和法を用いて, 魚の病変像を増強する。 次に、病変検出装置は、個々の病変に適切に対処するための3つの身体部分(頭、ひれ、体)を個別に訓練する。 さらに、そのデータセット上で提案した手法を用いて、フラットフィッシュ病変とFlatIMGと呼ばれる病気画像データセットを作成し、検証する。 また,本手法の一般化性を検証するために,フラッシュサーモン病変データセットも試験した。 その結果、ベースラインフレームワークよりもパフォーマンスが12%向上した。 本研究は,詳細なアノテーションを付加した高品質なフラットフィッシュ病変画像データセットを作成し,効果的な病変検出フレームワークを提案する最初の試みである。 提案手法とデータセットを用いて, 農業環境における病巣の自動モニタリングが可能である。

関連論文リスト

• Self-supervised transformer-based pre-training method with General Plant Infection dataset [3.969851116372513]
  本研究では、コントラスト学習とマスクド画像モデリング(MIM)を組み合わせた高度なネットワークアーキテクチャを提案する。 提案するネットワークアーキテクチャは,植物害虫や病原体認識タスクに対処し,優れた検出精度を実現する。 私たちのコードとデータセットは、植物害虫の研究と病気の認識を促進するために公開されます。
  論文  参考訳（メタデータ） (2024-07-20T15:48:35Z)
• Quantifying Nematodes through Images: Datasets, Models, and Baselines of Deep Learning [3.219431589024008]
  植物寄生線虫は、毎年世界中で作物を著しく減らしている。 コンピュータビジョン技術は、線虫または線虫感染を定量化するための実現可能なソリューションを提供する。 本調査では,ディープラーニング初心者を対象とした最先端オブジェクト検出モデル,トレーニング手法,最適化手法,評価指標について述べる。
  論文  参考訳（メタデータ） (2024-04-30T17:52:31Z)
• Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
  変性性脊椎疾患は高齢者に多い。 骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。 本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
  論文  参考訳（メタデータ） (2023-12-08T18:11:22Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Detection of healthy and diseased crops in drone captured images using Deep Learning [0.0]
  病気によって引き起こされる植物の正常な状態の破壊は、しばしば本質的な植物活動に干渉する。 ドローン画像を用いた植物病の効率的な検出のための深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-22T21:15:12Z)
• Realistic Data Enrichment for Robust Image Segmentation in Histopathology [2.248423960136122]
  拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。 本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
  論文  参考訳（メタデータ） (2023-04-19T09:52:50Z)
• Multilayer Perceptron Network Discriminates Larval Zebrafish Genotype using Behaviour [0.0]
  5日間の遺伝子型によるパーキンソン病のゼブラフィッシュモデルの分類法を提案する。 多層パーセプトロンニューラルネットワークを訓練する。 統合的な勾配を用いることで、モデルによる遺伝子型分類に対する各行動特徴の影響を把握できることを示す。
  論文  参考訳（メタデータ） (2022-11-06T07:36:31Z)
• A Survey on Masked Facial Detection Methods and Datasets for Fighting Against COVID-19 [64.88701052813462]
  新型コロナウイルス感染症2019(COVID-19)は、感染拡大以来、世界にとって大きな課題となっている。 この病気と闘うために、一連の人工知能(AI)技術が開発され、現実世界のシナリオに適用される。 本稿では主に、マスク付き顔検出と関連するデータセットのAI技術に焦点を当てる。
  論文  参考訳（メタデータ） (2022-01-13T03:28:20Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Fish Disease Detection Using Image Based Machine Learning Technique in Aquaculture [0.971137838903781]
  養殖における魚の病気は栄養の安全にとって重大な危険である。 画像の前処理とセグメンテーションはノイズを低減し、画像を誇張するために適用されている。 第二部では、機械学習のサポートベクトルマシン(SVM)アルゴリズムの助けを借りて疾患を分類するための関連する特徴を抽出します。
  論文  参考訳（メタデータ） (2021-05-09T13:22:44Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Early Detection of Fish Diseases by Analyzing Water Quality Using Machine Learning Algorithm [0.0]
  本稿では,最先端の機械学習アルゴリズムを適用し,水質劣化を時間的かつ正確に検出・予測する。 実験の結果, 実際のデータセットを用いたアルゴリズムにより, 特定の水質に特有な魚病の検出精度が向上した。
  論文  参考訳（メタデータ） (2021-02-15T18:52:58Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)
• Pseudo-Labeling for Small Lesion Detection on Diabetic Retinopathy Images [12.49381528673824]
  糖尿病網膜症(英: Diabetic retinopathy、DR)は、世界の勤労者の視覚障害の主要な原因である。 糖尿病患者の約300～400万人は、DRのために視力を失います。 色眼底画像によるDRの診断は、そのような問題を緩和するための一般的なアプローチである。
  論文  参考訳（メタデータ） (2020-03-26T17:13:48Z)
• 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。