論文の概要: Back Home: A Machine Learning Approach to Seashell Classification and Ecosystem Restoration
- arxiv url: http://arxiv.org/abs/2501.04873v1
- Date: Wed, 08 Jan 2025 23:07:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-10 14:00:29.848250
- Title: Back Home: A Machine Learning Approach to Seashell Classification and Ecosystem Restoration
- Title(参考訳): Back Home: 貝殻分類と生態系復元のための機械学習アプローチ
- Authors: Alexander Valverde, Luis Solano,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 49.1574468325115
- License:
- Abstract: In Costa Rica, an average of 5 tons of seashells are extracted from ecosystems annually. Confiscated seashells, cannot be returned to their ecosystems due to the lack of origin recognition. To address this issue, we developed a convolutional neural network (CNN) specifically for seashell identification. We built a dataset from scratch, consisting of approximately 19000 images from the Pacific and Caribbean coasts. Using this dataset, the model achieved a classification accuracy exceeding 85%. The model has been integrated into a user-friendly application, which has classified over 36,000 seashells to date, delivering real-time results within 3 seconds per image. To further enhance the system's accuracy, an anomaly detection mechanism was incorporated to filter out irrelevant or anomalous inputs, ensuring only valid seashell images are processed.
- Abstract(参考訳): 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。
この問題に対処するため,貝殻識別に特化した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。
このデータセットを用いて、分類精度は85%を超えた。
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。
システムの精度をさらに高めるため、無関係または異常な入力をフィルタリングするために異常検出機構が組み込まれ、有効な貝殻画像のみを処理することが保証された。
関連論文リスト
- BenthicNet: A global compilation of seafloor images for deep learning applications [25.466405216505166]
BenthicNetは海底画像のグローバルコンパイルである。
最初の114万枚以上の画像が収集され、海底環境の多様性を表すためにキュレーションされた。
このコンパイルに基づいて大規模なディープラーニングモデルをトレーニングし,その予備的な結果から,大規模かつ小規模の画像解析タスクの自動化に有効であることが示唆された。
論文 参考訳(メタデータ) (2024-05-08T17:37:57Z) - 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) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-12-11T18:38:28Z) - 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) - Combining Photogrammetric Computer Vision and Semantic Segmentation for
Fine-grained Understanding of Coral Reef Growth under Climate Change [6.335630432207172]
サンゴはサンゴ礁に生息する生物で、海洋の4分の1を支えている。
3次元微粒なセマンティックモデリングとサンゴ礁の硬さ評価は,初めてミリ(mm)精度で完了した。
論文 参考訳(メタデータ) (2022-12-08T08:09:57Z) - TempNet: Temporal Attention Towards the Detection of Animal Behaviour in
Videos [63.85815474157357]
本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。
TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。
本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
論文 参考訳(メタデータ) (2022-11-17T23:55:12Z) - Instance Segmentation of Microscopic Foraminifera [0.0629976670819788]
本稿では, 深層学習に基づくインスタンス分割モデルを用いて, 微視的フォアミニフェラの分類, 検出, セグメンテーションを行う。
本モデルは,COCO検出データセットから得られたモデル重みパラメータを用いて,Mask R-CNNアーキテクチャに基づく。
論文 参考訳(メタデータ) (2021-05-15T10:46:22Z) - Learning Hybrid Representations for Automatic 3D Vessel Centerline
Extraction [57.74609918453932]
3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。
既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。
抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。
この課題を解決するためのハイブリッド表現学習手法を提案します。
論文 参考訳(メタデータ) (2020-12-14T05:22:49Z) - Deep learning for lithological classification of carbonate rock micro-CT
images [52.77024349608834]
本研究は,ブラジルのプリサルト炭酸塩岩微視的画像のパターン同定にディープラーニング技術を適用することを目的としている。
4つの畳み込みニューラルネットワークモデルが提案された。
精度によると、リサイズ画像で訓練されたモデル2は、最初の評価アプローチでは平均75.54%、2番目の評価では平均81.33%に達した。
論文 参考訳(メタデータ) (2020-07-30T19:14:00Z) - Temperate Fish Detection and Classification: a Deep Learning based
Approach [6.282069822653608]
本研究では,2段階の深層学習手法を提案する。
最初のステップは、種や性別によらず、画像中の各魚を検出することです。
第2のステップでは、画像中の各魚を事前フィルタリングせずに分類するために、Squeeze-and-Excitation (SE)アーキテクチャを備えた畳み込みニューラルネットワーク(CNN)を採用する。
論文 参考訳(メタデータ) (2020-05-14T12:40:57Z)
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。