論文の概要: Recognition of Harmful Phytoplankton from Microscopic Images using Deep Learning
- arxiv url: http://arxiv.org/abs/2409.12900v1
- Date: Thu, 19 Sep 2024 16:42:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 12:59:09.666543
- Title: Recognition of Harmful Phytoplankton from Microscopic Images using Deep Learning
- Title（参考訳）: 深層学習を用いた顕微鏡画像からの有害植物プランクトンの認識
- Authors: Aymane Khaldi, Rohaifa Khaldi,
- Abstract要約: プランクトン分布のモニタリングは、水生生態系の保全、地球環境の規制、環境保護の確保に不可欠である。
従来の監視方法は、しばしば時間を要する、コストがかかり、エラーが発生し、大規模アプリケーションには適さない。
ResNet, ResNeXt, DenseNet, EfficientNetなどの最新のCNNモデルを3つの伝達学習手法を用いて評価し, 顕微鏡画像から有害植物プランクトン11種の分類を行った。
- 参考スコア（独自算出の注目度）: 1.03590082373586
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Monitoring plankton distribution, particularly harmful phytoplankton, is vital for preserving aquatic ecosystems, regulating the global climate, and ensuring environmental protection. Traditional methods for monitoring are often time-consuming, expensive, error-prone, and unsuitable for large-scale applications, highlighting the need for accurate and efficient automated systems. In this study, we evaluate several state-of-the-art CNN models, including ResNet, ResNeXt, DenseNet, and EfficientNet, using three transfer learning approaches: linear probing, fine-tuning, and a combined approach, to classify eleven harmful phytoplankton genera from microscopic images. The best performance was achieved by ResNet-50 using the fine-tuning approach, with an accuracy of 96.97%. The results also revealed that the models struggled to differentiate between four harmful phytoplankton types with similar morphological features.
- Abstract（参考訳）: プランクトン分布のモニタリング、特に有害な植物プランクトンは、水生生態系の保全、地球温暖化の規制、環境保護の確保に不可欠である。
従来の監視方法は、しばしば時間がかかり、コストがかかり、エラーが発生し、大規模アプリケーションには不適であり、正確で効率的な自動化システムの必要性を強調している。
本研究では,ResNet,ResNeXt,DenseNet,EfficientNetなどの最先端CNNモデルに対して,線形探索,微調整,複合的アプローチの3つの手法を用いて,顕微鏡画像から有害植物プランクトン11種の分類を行った。
最高の性能はResNet-50で96.97%の精度で微調整方式で達成された。
また, 植物プランクトンに類似した形態的特徴を有する4種類の有害な植物プランクトン種を区別することが困難であった。
関連論文リスト
- Back Home: A Machine Learning Approach to Seashell Classification and Ecosystem Restoration [49.1574468325115]
コスタリカでは、年間平均5トンの貝殻が生態系から抽出されている。混入した貝殻は、原産地認識の欠如により生態系に戻れない。
貝殻同定のための畳み込みニューラルネットワーク(CNN)を開発した。
私たちは太平洋とカリブ海の海岸から約19万枚の画像からなるデータセットをスクラッチから構築しました。
このモデルはユーザフレンドリーなアプリケーションに統合され、これまで36,000以上の貝殻を分類し、画像1枚につき3秒以内にリアルタイムで結果を提供する。
論文 参考訳（メタデータ） (2025-01-08T23:07:10Z) - MPT: A Large-scale Multi-Phytoplankton Tracking Benchmark [36.37530623015916]
本稿では,様々な背景情報と観測時の動作変化を網羅するベンチマークデータセットであるMultiple Phytoplankton Tracking (MPT)を提案する。
このデータセットには27種類の植物プランクトンと動物プランクトンが含まれ、14種類の背景があり、多様な複雑な水中環境をシミュレートしている。
標準特徴抽出器の出力残量を予測するための追加特徴抽出器を導入し、抽出器の異なる層の特徴に基づいて多スケールのフレーム間類似性を計算した。
論文 参考訳（メタデータ） (2024-10-22T04:57:28Z) - Towards Phytoplankton Parasite Detection Using Autoencoders [0.06234523779509325]
本稿では,オリジナルおよびオートエンコーダで再構成されたサンプルの類似性に基づく教師なし異常検出システムを提案する。
植物プランクトン9種のF1スコアは0.75点に達した。
論文 参考訳（メタデータ） (2023-03-15T16:35:58Z) - Application of the YOLOv5 Model for the Detection of Microobjects in the
Marine Environment [101.18253437732933]
海洋環境における微小物体の自動検出と認識の問題を解決するためのYOLOV5機械学習モデルの有効性について検討した。
論文 参考訳（メタデータ） (2022-11-28T10:58:50Z) - Efficient Unsupervised Learning for Plankton Images [12.447149371717]
水生生態系の保全には,シチューにおけるプランクトン群集のモニタリングが不可欠である。
このようなデータを分類するための機械学習アルゴリズムの採用は、手動アノテーションの大幅なコストに影響される可能性がある。
プランクトン微生物の正確な分類を行うために,効率的な教師なし学習パイプラインを提案する。
論文 参考訳（メタデータ） (2022-09-14T15:33:16Z) - Controlled Sparsity via Constrained Optimization or: How I Learned to
Stop Tuning Penalties and Love Constraints [81.46143788046892]
スパースラーニングを行う際には,スパーシティのレベルを制御するタスクに焦点をあてる。
スパーシリティを誘発する罰則に基づく既存の方法は、ペナルティファクターの高価な試行錯誤チューニングを含む。
本稿では,学習目標と所望のスパーシリティ目標によって,エンドツーエンドでスペーシフィケーションをガイドする制約付き定式化を提案する。
論文 参考訳（メタデータ） (2022-08-08T21:24:20Z) - Towards Generating Large Synthetic Phytoplankton Datasets for Efficient
Monitoring of Harmful Algal Blooms [77.25251419910205]
有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。
現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。
合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
論文 参考訳（メタデータ） (2022-08-03T20:15:55Z) - Deep Learning Classification of Lake Zooplankton [0.0]
湖沼プランクトンの同定のために開発された深層学習モデルについて述べる。
この目的のために,我々は17900年の動物園プランクトンと大型植物プランクトンコロニーの画像に対して35のクラスに注釈を付けた。
最良モデルは転送学習とアンサンブルに基づいて,98%の精度と93%のF1スコアでプランクトン画像を分類した。
論文 参考訳（メタデータ） (2021-08-11T14:57:43Z) - SALT: Sea lice Adaptive Lattice Tracking -- An Unsupervised Approach to
Generate an Improved Ocean Model [72.3183990520267]
シーライス分散と分布を効率的に推定するためのシーライス適応格子追跡手法を提案する。
具体的には、局所的な海洋特性に基づいて、オーシャンモデルの格子グラフにノードをマージすることで、適応的な空間メッシュを生成する。
提案手法は, 変動する気候下での海洋ライス寄生圧マップの予測モデルにより, 積極的養殖管理の促進を約束するものである。
論文 参考訳（メタデータ） (2021-06-24T17:29:42Z) - 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。