論文の概要: Is AI currently capable of identifying wild oysters? A comparison of human annotators against the AI model, ODYSSEE

• arxiv url: http://arxiv.org/abs/2505.03108v1
• Date: Tue, 06 May 2025 02:01:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.15886
• Title: Is AI currently capable of identifying wild oysters? A comparison of human annotators against the AI model, ODYSSEE
• Title（参考訳）: AIは現在、野生のカキを識別できるのか?人間のアノテーションとAIモデルODYSSEEの比較
• Authors: Brendan Campbell, Alan Williams, Kleio Baxevani, Alyssa Campbell, Rushabh Dhoke, Rileigh E. Hudock, Xiaomin Lin, Vivek Mange, Bernhard Neuberger, Arjun Suresh, Alhim Vera, Arthur Trembanis, Herbert G. Tanner, Edward Hale,
• Abstract要約: The ODYSSEE model was developed to identify live oysters using video or image in the field of oyster reefs to evaluate abundance。 このモデルがサンゴ礁に生息するカキを同定する際の有効性は,専門家および非専門家のアノテータと比較した。 モデルは専門家や非専門家のアノテーションよりもはるかに高速に推論を行うことができるが、モデルは生きたカキの数を過大に予測した。
• 参考スコア（独自算出の注目度）: 3.5969970396484934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Oysters are ecologically and commercially important species that require frequent monitoring to track population demographics (e.g. abundance, growth, mortality). Current methods of monitoring oyster reefs often require destructive sampling methods and extensive manual effort. Therefore, they are suboptimal for small-scale or sensitive environments. A recent alternative, the ODYSSEE model, was developed to use deep learning techniques to identify live oysters using video or images taken in the field of oyster reefs to assess abundance. The validity of this model in identifying live oysters on a reef was compared to expert and non-expert annotators. In addition, we identified potential sources of prediction error. Although the model can make inferences significantly faster than expert and non-expert annotators (39.6 s, $2.34 \pm 0.61$ h, $4.50 \pm 1.46$ h, respectively), the model overpredicted the number of live oysters, achieving lower accuracy (63\%) in identifying live oysters compared to experts (74\%) and non-experts (75\%) alike. Image quality was an important factor in determining the accuracy of the model and the annotators. Better quality images improved human accuracy and worsened model accuracy. Although ODYSSEE was not sufficiently accurate, we anticipate that future training on higher-quality images, utilizing additional live imagery, and incorporating additional annotation training classes will greatly improve the model's predictive power based on the results of this analysis. Future research should address methods that improve the detection of living vs. dead oysters.
• Abstract（参考訳）: オイスターは生態学的および商業的に重要な種であり、人口密度(人口、成長、死亡率など)を追跡するのに頻繁にモニタリングを必要とする。 カキ礁をモニタリングする現在の方法は、しばしば破壊的なサンプリング法と広範囲な手作業を必要とする。 したがって、それらは小規模または敏感な環境に最適である。 近年のODYSSEEモデルでは, 深層学習技術を用いて, カキゴ礁の現場で撮影された映像や映像を用いて, 個体数を評価する手法が開発されている。 このモデルがサンゴ礁に生息するカキを同定する際の有効性は,専門家および非専門家のアノテータと比較した。 さらに,予測誤差の潜在的な原因を同定した。 このモデルは、専門家や非専門家のアノテーション(それぞれ39.6 s、$2.34 \pm 0.61$h、$4.50 \pm 1.46$h)よりもはるかに高速に推測できるが、このモデルは、専門家 (74 %) や非専門家 (75 %) などと比較して、生きたカキの数を過大評価し、より低い精度 (63 %) を達成した。 画像の品質は、モデルとアノテータの精度を決定する上で重要な要素であった。 画質のよい画像は人間の精度を改善し、モデルの精度を悪化させた。 ODYSSEEは十分な精度は得られなかったが、今後は高品質な画像のトレーニング、追加のライブ画像の利用、追加のアノテーショントレーニングクラスの導入により、分析結果に基づいてモデルの予測能力を大幅に向上することが期待できる。 今後の研究は、生きたカキと死んだカキの発見を改善する方法に対処すべきである。

関連論文リスト

• Detecting Discrepancies Between AI-Generated and Natural Images Using Uncertainty [91.64626435585643]
  本稿では,誤用と関連するリスクを軽減するために,予測不確実性を利用してAI生成画像を検出する新しい手法を提案する。 この動機は、自然画像とAI生成画像の分布差に関する基本的な仮定から生じる。 本稿では,AI生成画像の検出スコアとして,大規模事前学習モデルを用いて不確実性を計算することを提案する。
  論文  参考訳（メタデータ） (2024-12-08T11:32:25Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Improved detection of discarded fish species through BoxAL active learning [0.2544632696242629]
  本研究では,より高速なR-CNNオブジェクト検出モデルの認識精度を推定する,BoxALという能動的学習手法を提案する。 この方法では、未ラベルのプールから最も不確実なトレーニングイメージを選択し、オブジェクト検出モデルのトレーニングに使用することができる。 また,本研究では,サンプル化した新データが,未ラベルデータよりもトレーニングに有用であることが確認された。
  論文  参考訳（メタデータ） (2024-10-07T10:01:30Z)
• ODYSSEE: Oyster Detection Yielded by Sensor Systems on Edge Electronics [14.935296890629795]
  オイスターは沿岸生態系において重要なキーストーンであり、経済的、環境的、文化的な利益をもたらす。 現在の監視戦略は、しばしば破壊的な方法に依存している。 本研究では, 安定拡散を用いた新しいパイプラインを提案し, 現実的な合成データを用いて収集した実データセットを増強する。
  論文  参考訳（メタデータ） (2024-09-11T04:31:09Z)
• Opinion-Unaware Blind Image Quality Assessment using Multi-Scale Deep Feature Statistics [54.08757792080732]
  我々は,事前学習された視覚モデルからの深い特徴を統計的解析モデルと統合して,意見認識のないBIQA(OU-BIQA)を実現することを提案する。 提案モデルは,最先端のBIQAモデルと比較して,人間の視覚的知覚との整合性に優れる。
  論文  参考訳（メタデータ） (2024-05-29T06:09:34Z)
• OysterNet: Enhanced Oyster Detection Using Simulation [12.282807381883542]
  オイスターは湾の生物生態系において重要な役割を担い、海洋の生物フィルターと見なされている。 そこで本研究では, カキのイメージを数学的にモデル化し, シミュレーションでレンダリングすることで, 検出性能を最小限の実データで向上する手法を提案する。
  論文  参考訳（メタデータ） (2022-09-16T21:35:45Z)
• Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
  種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。 従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。 マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:06:51Z)
• X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
  ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。 両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
  論文  参考訳（メタデータ） (2021-10-09T13:56:48Z)
• Efficient remedies for outlier detection with variational autoencoders [8.80692072928023]
  深層生成モデルによって計算される類似度は、ラベルなしデータによる外れ値検出の候補メトリックである。 理論的に定位された補正は、VAE推定値による鍵バイアスを容易に改善することを示す。 また,VAEのアンサンブル上で計算される確率の分散により,ロバストな外乱検出が可能となることを示す。
  論文  参考訳（メタデータ） (2021-08-19T16:00:58Z)
• Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
  In situ hybridization (ISH) gene expression pattern image from the same developmental stage。 正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。 限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T06:06:06Z)
• Are Visual Explanations Useful? A Case Study in Model-in-the-Loop Prediction [49.254162397086006]
  画像に基づく年齢予測課題における視覚的満足度に基づく説明について検討する。 モデル予測の提示により,人間の精度が向上することが判明した。 しかし、様々な種類の説明は、人間の正確さやモデルの信頼を著しく変えることができない。
  論文  参考訳（メタデータ） (2020-07-23T20:39:40Z)

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。