論文の概要: MPT: A Large-scale Multi-Phytoplankton Tracking Benchmark
- arxiv url: http://arxiv.org/abs/2410.16695v1
- Date: Tue, 22 Oct 2024 04:57:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-23 14:30:10.739094
- Title: MPT: A Large-scale Multi-Phytoplankton Tracking Benchmark
- Title（参考訳）: MPT: 大規模マルチプランクトン追跡ベンチマーク
- Authors: Yang Yu, Yuezun Li, Xin Sun, Junyu Dong,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 36.37530623015916
- License:
- Abstract: Phytoplankton are a crucial component of aquatic ecosystems, and effective monitoring of them can provide valuable insights into ocean environments and ecosystem changes. Traditional phytoplankton monitoring methods are often complex and lack timely analysis. Therefore, deep learning algorithms offer a promising approach for automated phytoplankton monitoring. However, the lack of large-scale, high-quality training samples has become a major bottleneck in advancing phytoplankton tracking. In this paper, we propose a challenging benchmark dataset, Multiple Phytoplankton Tracking (MPT), which covers diverse background information and variations in motion during observation. The dataset includes 27 species of phytoplankton and zooplankton, 14 different backgrounds to simulate diverse and complex underwater environments, and a total of 140 videos. To enable accurate real-time observation of phytoplankton, we introduce a multi-object tracking method, Deviation-Corrected Multi-Scale Feature Fusion Tracker(DSFT), which addresses issues such as focus shifts during tracking and the loss of small target information when computing frame-to-frame similarity. Specifically, we introduce an additional feature extractor to predict the residuals of the standard feature extractor's output, and compute multi-scale frame-to-frame similarity based on features from different layers of the extractor. Extensive experiments on the MPT have demonstrated the validity of the dataset and the superiority of DSFT in tracking phytoplankton, providing an effective solution for phytoplankton monitoring.
- Abstract（参考訳）: 植物プランクトンは水生生態系の重要な構成要素であり、その効果的なモニタリングは海洋環境や生態系の変化に関する貴重な洞察を与えることができる。
伝統的な植物プランクトンモニタリング手法は、しばしば複雑であり、タイムリーな分析を欠いている。
したがって、ディープラーニングアルゴリズムは植物プランクトンの自動モニタリングに有望なアプローチを提供する。
しかし、大規模で高品質なトレーニングサンプルの欠如は、植物プランクトン追跡の進展において大きなボトルネックとなっている。
本稿では,様々な背景情報と観測時の動作の変動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。
植物プランクトンの高精度なリアルタイム観測を実現するため, フレーム間類似性を計算する際に, 追従中の焦点シフトや, 目標情報の小型化といった問題に対処する多対象追跡手法であるDiviation-Corrected Multi-Scale Feature Fusion Tracker(DSFT)を導入する。
具体的には、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、複数スケールのフレーム間類似性を計算する。
植物プランクトン追跡におけるデータセットの有効性とDSFTの優位性を実証し,植物プランクトンモニタリングに有効なソリューションを提供する。
関連論文リスト
- PhyTracker: An Online Tracker for Phytoplankton [36.37513641359679]
PhyTrackerは植物プランクトンの自動追跡用に設計されたin situトラッキングフレームワークである。
提案手法には,テクスチャ強化特徴抽出(TFE)モジュール,注意強化時空間アソシエーション(ATA)モジュール,フロー非依存運動リファインメント(FMR)モジュールの3つのイノベーティブモジュールが組み込まれている。
論文 参考訳（メタデータ） (2024-06-29T07:53:47Z) - Deep-learning-powered data analysis in plankton ecology [31.874825130479174]
ディープラーニングアルゴリズムの実装は、プランクトン生態学に新たな視点をもたらした。
深層学習は様々な環境下でプランクトン生物を研究する客観的スキームを提供する。
論文 参考訳（メタデータ） (2023-09-15T16:04:11Z) - Improving Underwater Visual Tracking With a Large Scale Dataset and
Image Enhancement [70.2429155741593]
本稿では,水中ビジュアルオブジェクト追跡(UVOT)のための新しいデータセットと汎用トラッカ拡張手法を提案する。
水中環境は、一様でない照明条件、視界の低さ、鋭さの欠如、コントラストの低さ、カモフラージュ、懸濁粒子からの反射を示す。
本研究では,追尾品質の向上に特化して設計された水中画像強調アルゴリズムを提案する。
この手法により、最先端(SOTA)ビジュアルトラッカーの最大5.0%のAUCの性能が向上した。
論文 参考訳（メタデータ） (2023-08-30T07:41:26Z) - 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) - Plankton-FL: Exploration of Federated Learning for Privacy-Preserving
Training of Deep Neural Networks for Phytoplankton Classification [81.04987357598802]
本研究では,植物プランクトン分類のための深層ニューラルネットワークのプライバシー保護トレーニングにフェデレート学習を活用する可能性を検討する。
我々は2つの異なるフェデレーション学習フレームワーク、フェデレーション学習(FL)と相互排他的FL(ME-FL)をシミュレートする。
本研究では,植物プランクトンモニタリングにおけるフェデレート学習の可能性と可能性について実験的に検証した。
論文 参考訳（メタデータ） (2022-12-18T02:11:03Z) - 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) - 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) - Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。
提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
論文 参考訳（メタデータ） (2020-11-28T05:51:19Z)
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。