論文の概要: Improving Fungi Prototype Representations for Few-Shot Classification

• arxiv url: http://arxiv.org/abs/2509.11020v1
• Date: Sun, 14 Sep 2025 01:13:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.878241
• Title: Improving Fungi Prototype Representations for Few-Shot Classification
• Title（参考訳）: Few-Shot分類のための真菌原型表現の改良
• Authors: Abdarahmane Traore, Éric Hervet, Andy Couturier,
• Abstract要約: FungiCLEF 2025コンペティションは、現実的なフィールド収集された観測データを用いた自動真菌種認識の課題に対処する。 本稿では,プロトタイプネットワークに基づく頑健な深層学習手法を提案する。 我々のプロトタイプネットワークアプローチは、パブリック(PB)とプライベート(PR)の両方のリーダーボード上のRecall@5において、競争ベースラインを30パーセント以上越えています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The FungiCLEF 2025 competition addresses the challenge of automatic fungal species recognition using realistic, field-collected observational data. Accurate identification tools support both mycologists and citizen scientists, greatly enhancing large-scale biodiversity monitoring. Effective recognition systems in this context must handle highly imbalanced class distributions and provide reliable performance even when very few training samples are available for many species, especially rare and under-documented taxa that are often missing from standard training sets. According to competition organizers, about 20\% of all verified fungi observations, representing nearly 20,000 instances, are associated with these rarely recorded species. To tackle this challenge, we propose a robust deep learning method based on prototypical networks, which enhances prototype representations for few-shot fungal classification. Our prototypical network approach exceeds the competition baseline by more than 30 percentage points in Recall@5 on both the public (PB) and private (PR) leaderboards. This demonstrates strong potential for accurately identifying both common and rare fungal species, supporting the main objectives of FungiCLEF 2025.
• Abstract（参考訳）: FungiCLEF 2025コンペティションは、現実的なフィールド収集された観測データを用いた自動真菌種認識の課題に対処する。 正確な識別ツールは、菌類学者と市民科学者の両方をサポートし、大規模生物多様性モニタリングを大幅に強化する。 この文脈における効果的な認識システムは、非常に不均衡なクラス分布を処理し、多くの種、特に標準の訓練セットから欠落する稀で文書の少ない分類群に対して、非常に少ないトレーニングサンプルが利用できる場合でも、信頼性の高い性能を提供する必要がある。 コンペティション・オーガナイザーによると、確認された真菌の観察の約20%は、約2万件の事例を示すものであり、記録に残っていない種と関係している。 この課題に対処するために,プロトタイプネットワークに基づく頑健な深層学習手法を提案する。 我々のプロトタイプネットワークアプローチは、パブリック(PB)とプライベート(PR)の両方のリーダーボード上のRecall@5において、競争ベースラインを30パーセント以上越えています。 これは、一般的な菌類と稀な菌類の両方を正確に同定する強い可能性を示し、FungiCLEF 2025の主な目的を支えている。

関連論文リスト

• Transfer Learning and Mixup for Fine-Grained Few-Shot Fungi Classification [0.0]
  本稿では,FungiCLEF 2025コンペティションの取り組みについて述べる。 FungiTastic Few-Shotデータセットを使用した、数ショットのきめ細かい視覚分類に焦点を当てている。
  論文  参考訳（メタデータ） (2025-07-11T01:21:21Z)
• BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [51.341003735575335]
  生体視覚モデルでは,大規模コントラスト視覚言語学習により創発的行動が観察される。 我々は、異なる種を区別するために、TreeOfLife-200MでBioCLIP 2を訓練する。 得られたBioCLIP 2の埋め込み空間における創発的特性を同定する。
  論文  参考訳（メタデータ） (2025-05-29T17:48:20Z)
• BeetleVerse: A Study on Taxonomic Classification of Ground Beetles [0.310688583550805]
  地上の甲虫は、非常に敏感で特異な生物学的指標であり、生物多様性のモニタリングに不可欠である。 本稿では,4つの多種多様な長い尾を持つデータセットの分類分類に関する12の視覚モデルを評価する。 その結果,視覚と言語変換器を頭部と組み合わせたモデルが最も優れており,97%の精度で種・種レベルでの精度が得られた。
  論文  参考訳（メタデータ） (2025-04-18T01:06:37Z)
• Hierarchical Self-Supervised Adversarial Training for Robust Vision Models in Histopathology [64.46054930696052]
  敵対的攻撃は、医療のような重要な分野におけるビジョンモデルに重大な課題をもたらす。 既存の自己監督型逆行訓練手法は、病理像の階層構造を見落としている。 本稿では,これらの特性を活かした階層型自己監督適応訓練(HSAT)を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:59:47Z)
• Fine-Grained Classification for Poisonous Fungi Identification with Transfer Learning [0.0]
  FungiCLEF 2024は、真菌種のきめ細かい視覚分類(FGVC)に対処する。 提案手法は,試験後評価において,最高トラック3スコア (0.345), 精度 (78.4%), マクロF1スコア (0.577) を達成した。
  論文  参考訳（メタデータ） (2024-07-10T09:24:50Z)
• A Saliency-based Clustering Framework for Identifying Aberrant Predictions [49.1574468325115]
  本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。 本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。 本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
  論文  参考訳（メタデータ） (2023-11-11T01:53:59Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Adversarial Feature Hallucination Networks for Few-Shot Learning [84.31660118264514]
  Adversarial Feature Hallucination Networks (AFHN) は条件付き Wasserstein Generative Adversarial Network (cWGAN) に基づいている。 合成された特徴の識別性と多様性を促進するために、2つの新規レギュレータがAFHNに組み込まれている。
  論文  参考訳（メタデータ） (2020-03-30T02:43:16Z)
• Fine-grained Species Recognition with Privileged Pooling: Better Sample Efficiency Through Supervised Attention [26.136331738529243]
  トレーニングデータに対するキーポイントアノテーションの形式で特権情報を利用する教師付き画像分類手法を提案する。 我々の主な動機は、生物多様性モデリングのような生態学的応用のための動物種の認識である。 3つの異なる動物種のデータセットを用いた実験では、特権プールを持つ深層ネットワークがより効率的に小さなトレーニングセットを利用でき、より一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-03-20T10:03:01Z)

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。