論文の概要: Zebrafish Counting Using Event Stream Data
- arxiv url: http://arxiv.org/abs/2504.13692v1
- Date: Fri, 18 Apr 2025 13:51:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-28 15:37:28.636197
- Title: Zebrafish Counting Using Event Stream Data
- Title（参考訳）: イベントストリームデータを用いたZebrafishのカウント
- Authors: Qianghua Chen, Huiyu Wang, Li Ming, Ying Zhao,
- Abstract要約: 本稿では,イベントストリームデータに基づくゼブラフィッシュカウントアルゴリズムを提案する。
従来のアルゴリズムと比較すると、提案アルゴリズムはより単純な実装を提供し、高い精度を実現する。
- 参考スコア（独自算出の注目度）: 9.1814754694795
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Zebrafish share a high degree of homology with human genes and are commonly used as model organism in biomedical research. For medical laboratories, counting zebrafish is a daily task. Due to the tiny size of zebrafish, manual visual counting is challenging. Existing counting methods are either not applicable to small fishes or have too many limitations. The paper proposed a zebrafish counting algorithm based on the event stream data. Firstly, an event camera is applied for data acquisition. Secondly, camera calibration and image fusion were preformed successively. Then, the trajectory information was used to improve the counting accuracy. Finally, the counting results were averaged over an empirical of period and rounded up to get the final results. To evaluate the accuracy of the algorithm, 20 zebrafish were put in a four-liter breeding tank. Among 100 counting trials, the average accuracy reached 97.95%. As compared with traditional algorithms, the proposed one offers a simpler implementation and achieves higher accuracy.
- Abstract（参考訳）: ゼブラフィッシュはヒトの遺伝子と高いレベルのホモロジーを共有しており、生物医学研究のモデル生物として一般的に用いられている。
医学研究所では、ゼブラフィッシュを数えるのは日常的な作業である。
ゼブラフィッシュの小さなサイズのため、手動の視覚的カウントは難しい。
既存の数え方は小魚には適用できないか、制限が多すぎるかのいずれかである。
本稿では,イベントストリームデータに基づくゼブラフィッシュカウントアルゴリズムを提案する。
まず、データ取得にイベントカメラを適用する。
第2に、カメラキャリブレーションと画像融合が順次行われた。
そして、軌跡情報を用いてカウント精度を向上した。
最後に、測定結果は実験期間で平均され、最終的な結果を得るために丸められた。
アルゴリズムの精度を評価するため、20頭のゼブラフィッシュを4リットルの繁殖槽に入れた。
100回のカウント試験のうち、平均精度は97.95%に達した。
従来のアルゴリズムと比較すると、提案アルゴリズムはより単純な実装を提供し、高い精度を実現する。
関連論文リスト
- Counting Fish with Temporal Representations of Sonar Video [15.713015426791221]
本稿では,エコー図解析に基づく魚数計測のための軽量なコンピュータビジョン手法を提案する。
アラスカのケナイ川から得られた代表データに対して23%のカウント誤差を達成し,本手法の有効性を実証した。
論文 参考訳（メタデータ） (2025-02-07T18:02:28Z) - Graspness Discovery in Clutters for Fast and Accurate Grasp Detection [57.81325062171676]
グレープネス(graspness)とは、散らばった場面で把握可能な領域を区別する幾何学的手がかりに基づく品質である。
本研究では,探索過程を近似するカスケード把握モデルを構築した。
大規模なベンチマークであるGraspNet-1Billionの実験では,提案手法が従来の手法よりも大きなマージンで優れていたことが示されている。
論文 参考訳（メタデータ） (2024-06-17T02:06:47Z) - Rapid Adaptation in Online Continual Learning: Are We Evaluating It
Right? [135.71855998537347]
オンライン連続学習(OCL)アルゴリズムの適応性を評価するための一般的な手法を,オンライン精度の指標を用いて再検討する。
空白のブラインド分類器でさえ、非現実的に高いオンライン精度を達成できるため、この指標は信頼できない。
既存のOCLアルゴリズムは、オンラインの精度も高いが、有用な情報の保持は不十分である。
論文 参考訳（メタデータ） (2023-05-16T08:29:33Z) - Cuttlefish: Low-Rank Model Training without All the Tuning [55.984294012024755]
自動低ランクトレーニングアプローチであるCuttlefishを紹介します。
カトルフィッシュは、すべての階層の安定したランクが収束すると、フルランクからローランクのトレーニングに切り替える。
以上の結果から,Cuttlefishはフルランクモデルの最大5.6倍のモデルを生成し,エンドツーエンドのトレーニングプロセスの最大1.2倍の高速化を実現している。
論文 参考訳（メタデータ） (2023-05-04T04:20:20Z) - 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) - Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。
入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。
CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
論文 参考訳（メタデータ） (2022-07-13T14:13:49Z) - Deep learning with self-supervision and uncertainty regularization to
count fish in underwater images [28.261323753321328]
効果的な保全活動には、効果的な人口監視が必要です。
画像サンプリングによる人口のモニタリングにより、データ収集は安価で広く、侵入性が低くなっている。
このようなデータから動物を数えることは、特に騒々しい画像に密に詰め込まれた場合、困難です。
深層学習は多くのコンピュータビジョンタスクの最先端の手法であるが、動物を数えるためにはまだ十分に研究されていない。
論文 参考訳（メタデータ） (2021-04-30T13:02:19Z) - Distribution Matching for Crowd Counting [51.90971145453012]
アノテーションにガウスを付与することは一般化性能を損なうことを示す。
我々は,群集CoUNTing (DM-Count) における分布マッチングの利用を提案する。
平均絶対誤差(Mean Absolute Error)の観点では、DM-Countは従来の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-09-28T04:57:23Z) - Counting Fish and Dolphins in Sonar Images Using Deep Learning [0.40611352512781856]
魚とイルカの量推定の現在の方法は、視覚的および捕獲・放出戦略を用いた現場サンプリングによって行われる。
本研究では,漁船の背部から採取したソナー画像から,魚とイルカの深層学習を用いた魚量推定手法を提案する。
論文 参考訳（メタデータ） (2020-07-24T23:52:03Z) - 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。