Fugu-MT 論文翻訳(概要): Hierarchical Classification for Automated Image Annotation of Coral Reef Benthic Structures

論文の概要: Hierarchical Classification for Automated Image Annotation of Coral Reef Benthic Structures

arxiv url: http://arxiv.org/abs/2412.08228v1
Date: Wed, 11 Dec 2024 09:28:30 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-12 14:04:19.013118
Title: Hierarchical Classification for Automated Image Annotation of Coral Reef Benthic Structures
Title（参考訳）: サンゴ礁屈曲構造の自動画像アノテーションの階層的分類
Authors: Célia Blondin, Joris Guérin, Kelly Inagaki, Guilherme Longo, Laure Berti-Équille,
Abstract要約: 自動ベント画像アノテーションは,サンゴ礁の気候変動対策を効率的に監視し,保護するために重要である。現在の機械学習アプローチでは、ベント生物の階層的な性質を捉えることができない。階層分類を用いた良性画像のアノテートを提案する。
参考スコア（独自算出の注目度）: 5.407146435972322
License:
Abstract: Automated benthic image annotation is crucial to efficiently monitor and protect coral reefs against climate change. Current machine learning approaches fail to capture the hierarchical nature of benthic organisms covering reef substrata, i.e., coral taxonomic levels and health condition. To address this limitation, we propose to annotate benthic images using hierarchical classification. Experiments on a custom dataset from a Northeast Brazilian coral reef show that our approach outperforms flat classifiers, improving both F1 and hierarchical F1 scores by approximately 2\% across varying amounts of training data. In addition, this hierarchical method aligns more closely with ecological objectives.
Abstract（参考訳）: 自動ベント画像アノテーションは,サンゴ礁の気候変動対策を効率的に監視し,保護するために重要である。現在の機械学習アプローチでは、サンゴ礁の底生生物、すなわちサンゴの分類学的レベルと健康状態の階層的な性質を捉えることができない。この制限に対処するため,階層分類を用いた良性画像のアノテートを提案する。ブラジル北東部のサンゴ礁から得られたカスタムデータセットの実験では、我々のアプローチはフラットな分類器よりも優れており、様々なトレーニングデータに対してF1と階層的なF1のスコアが約2倍改善されている。さらに、この階層的手法は生態学的目的とより密接に一致している。

関連論文リスト

Automatic Coral Detection with YOLO: A Deep Learning Approach for Efficient and Accurate Coral Reef Monitoring [0.0]
サンゴ礁は、人為的な影響や気候変動によって脅威にさらされている重要な生態系である。本稿では,深層学習モデルを用いたサンゴ自動検出システムを提案する。
論文参考訳（メタデータ） (2024-04-03T08:00:46Z)
Deep learning for multi-label classification of coral conditions in the Indo-Pacific via underwater photogrammetry [24.00646413446011]
本研究はインド太平洋におけるサンゴの一般的な条件と関連するストレスを表わしたデータセットを作成する。既存の分類アルゴリズムを評価し、サンゴの条件を自動的に検出し、生態情報を抽出する新しいマルチラベル手法を提案した。提案手法はサンゴの条件を, 健康, 危害, 死, 汚物として正確に分類する。
論文参考訳（メタデータ） (2024-03-09T14:42:16Z)
WhaleNet: a Novel Deep Learning Architecture for Marine Mammals Vocalizations on Watkins Marine Mammal Sound Database [49.1574468325115]
textbfWhaleNet (Wavelet Highly Adaptive Learning Ensemble Network) は海洋哺乳動物の発声を分類するための高度な深層アンサンブルアーキテクチャである。既存のアーキテクチャよりも8-10%の精度で分類精度を向上し、分類精度は9,7.61%である。
論文参考訳（メタデータ） (2024-02-20T11:36:23Z)
BenthIQ: a Transformer-Based Benthic Classification Model for Coral Restoration [4.931399476945033]
サンゴ礁は海洋生物多様性、沿岸保護、世界の人間の生活を支えるために不可欠である。ベントニック合成マップを作成するための現在の手法は、しばしば空間被覆と分解能の間に妥協する。水中基板の高精度な分類のために設計されたマルチラベルセマンティックセマンティックセマンティクスネットワークであるBenthIQを紹介する。
論文参考訳（メタデータ） (2023-11-22T19:25:31Z)
Pengembangan Model untuk Mendeteksi Kerusakan pada Terumbu Karang dengan Klasifikasi Citra [3.254879465902239]
本研究はFlickr APIを用いてFlickrから収集した923枚の画像からなる特別なデータセットを利用する。この研究で使用される方法は、機械学習モデル、特に畳み込みニューラルネットワーク(CNN)の使用を含む。その結果,Stock-Scratch ResNetモデルは,精度と精度で事前学習モデルより優れていることがわかった。
論文参考訳（メタデータ） (2023-08-08T15:30:08Z)
Image Labels Are All You Need for Coarse Seagrass Segmentation [3.253176232272777]
海草の牧草地は重要な炭素シンクとして機能するが、それらが蓄積する炭素量の推定には海草種の知識が必要である。過去の海草の検出と分類にはパッチレベルのラベルの監督が必要であった。本研究では、教師なしのコントラスト事前学習と特徴類似性を利用したアーキテクチャであるSeaFeatsと、大規模言語モデルの有効性を示すモデルであるSeaCLIPを紹介する。
論文参考訳（メタデータ） (2023-03-02T05:10:57Z)
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)
Convolutional Neural Networks from Image Markers [62.997667081978825]
特徴画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
論文参考訳（メタデータ） (2020-12-15T22:58:23Z)
Learning CNN filters from user-drawn image markers for coconut-tree image classification [78.42152902652215]
本稿では,CNNの特徴抽出器を訓練するために,最小限のユーザ選択画像を必要とする手法を提案する。本手法は,クラスを識別する画像領域のユーザ描画マーカーから,各畳み込み層のフィルタを学習する。バックプロパゲーションに基づく最適化には依存せず、ココナッツツリー空中画像のバイナリ分類にその利点を実証する。
論文参考訳（メタデータ） (2020-08-08T15:50:23Z)
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)
Phase Consistent Ecological Domain Adaptation [76.75730500201536]
意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
論文参考訳（メタデータ） (2020-04-10T06:58:03Z)

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。