論文の概要: Benchmarking Out-of-Distribution Detection for Plankton Recognition: A Systematic Evaluation of Advanced Methods in Marine Ecological Monitoring

• arxiv url: http://arxiv.org/abs/2510.17179v1
• Date: Mon, 20 Oct 2025 05:50:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.320394
• Title: Benchmarking Out-of-Distribution Detection for Plankton Recognition: A Systematic Evaluation of Advanced Methods in Marine Ecological Monitoring
• Title（参考訳）: プランクトン認識のためのアウト・オブ・ディストリビューション検出のベンチマーク:海洋生態モニタリングにおける高度手法の体系的評価
• Authors: Yingzi Han, Jiakai He, Chuanlong Xie, Jianping Li,
• Abstract要約: 本稿では,DYB-PlanktonNetデータセット cite875n-f104-21 に基づいて,様々な分散シフトシナリオをシミュレートしたOoDベンチマークを慎重に設計する。 実験により、VIM citewang2022vim法は、構築したベンチマークにおいて、他の手法よりも大幅に優れていることが示された。 本研究は,プランクトン認識におけるアウト・オブ・ディストリビューションデータ検出手法の大規模かつ系統的な評価と解析を行った最初の事例である。
• 参考スコア（独自算出の注目度）: 7.81301475739378
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated plankton recognition models face significant challenges during real-world deployment due to distribution shifts (Out-of-Distribution, OoD) between training and test data. This stems from plankton's complex morphologies, vast species diversity, and the continuous discovery of novel species, which leads to unpredictable errors during inference. Despite rapid advancements in OoD detection methods in recent years, the field of plankton recognition still lacks a systematic integration of the latest computer vision developments and a unified benchmark for large-scale evaluation. To address this, this paper meticulously designed a series of OoD benchmarks simulating various distribution shift scenarios based on the DYB-PlanktonNet dataset \cite{875n-f104-21}, and systematically evaluated twenty-two OoD detection methods. Extensive experimental results demonstrate that the ViM \cite{wang2022vim} method significantly outperforms other approaches in our constructed benchmarks, particularly excelling in Far-OoD scenarios with substantial improvements in key metrics. This comprehensive evaluation not only provides a reliable reference for algorithm selection in automated plankton recognition but also lays a solid foundation for future research in plankton OoD detection. To our knowledge, this study marks the first large-scale, systematic evaluation and analysis of Out-of-Distribution data detection methods in plankton recognition. Code is available at https://github.com/BlackJack0083/PlanktonOoD.
• Abstract（参考訳）: 自動プランクトン認識モデルは、トレーニングとテストデータ間の分散シフト(Out-of-Distribution, OoD)によって、現実世界のデプロイメントにおいて重大な課題に直面します。 これはプランクトンの複雑な形態、広大な種の多様性、新しい種の連続的な発見に起因し、推論中に予測不可能な誤りを引き起こす。 近年のOoD検出手法の急速な進歩にもかかわらず、プランクトン認識の分野はいまだに最新のコンピュータビジョン開発と大規模評価のための統一ベンチマークの体系的な統合を欠いている。 そこで本研究では,DYB-PlanktonNet データセット \cite{875n-f104-21} に基づいて,様々な分散シフトシナリオをシミュレートしたOoDベンチマークのシリーズを慎重に設計し,2つのOoD検出手法を体系的に評価した。 大規模な実験結果から,ViM \cite{wang2022vim} 法は,我々の構築したベンチマークにおいて,特にFar-OoDのシナリオにおいて,重要な指標を著しく改善した他の手法よりも優れていることが示された。 この包括的評価は、自動プランクトン認識におけるアルゴリズム選択に対する信頼性の高い基準を提供するだけでなく、プランクトンOoD検出における将来の研究の基盤となる。 本研究は,プランクトン認識におけるアウト・オブ・ディストリビューションデータ検出手法の大規模かつ体系的な評価と解析を行う最初の試みである。 コードはhttps://github.com/BlackJack0083/PlanktonOoDで入手できる。

関連論文リスト

• BATIS: Bayesian Approaches for Targeted Improvement of Species Distribution Models [15.029163153558533]
  種分布モデル(SDM)は,環境変数に基づいて種の発生を予測することを目的としている。 SDMの最近の深層学習の進歩は、複雑で不均一なデータセットでうまく機能することが示されている。 本稿では,限られた観測データを用いて事前予測を反復的に更新する,新規で実用的なフレームワークであるBATISを紹介する。
  論文  参考訳（メタデータ） (2025-10-22T16:42:46Z)
• Supervised Machine Learning Methods with Uncertainty Quantification for Exoplanet Atmospheric Retrievals from Transmission Spectroscopy [1.6874375111244329]
  本稿では,既存の機械学習回帰手法の体系的研究について述べる。 送信スペクトルから外惑星の大気パラメータを抽出するための性能の比較を行った。 WASP-39bのJWST観測のケーススタディにおいて,MLモデルと前処理方式の最良の組み合わせが検証された。
  論文  参考訳（メタデータ） (2025-08-07T02:28:21Z)
• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• Forward-Forward Learning achieves Highly Selective Latent Representations for Out-of-Distribution Detection in Fully Spiking Neural Networks [6.7236795813629]
  生物学的システムにインスパイアされたスパイキングニューラルネットワーク(SNN)は、限界を克服するための有望な道を提供する。 本研究では,これらの課題に対処するために,スパイクフォワードフォワードアルゴリズム(FFA)の可能性を検討する。 本稿では,クラス分布からサンプルを遠ざける特徴を検出するための,新しい非勾配属性法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T08:08:17Z)
• Producing Plankton Classifiers that are Robust to Dataset Shift [1.716364772047407]
  ZooLakeデータセットを10日間の独立デプロイから手動でアノテートしたイメージと統合し、OOD(Out-Of-Dataset)のパフォーマンスをベンチマークします。 分類に悪影響を及ぼすOOD画像において,新たなデータの分類において潜在的な落とし穴を識別するプリエンプティブアセスメント手法を提案する。 BEiTビジョントランスのアンサンブルは,OODロバスト性,幾何アンサンブル,回転型テストタイムアンサンブルに対応し,BEsTモデルと呼ばれる最もロバストなモデルとなっている。
  論文  参考訳（メタデータ） (2024-01-25T15:47:18Z)
• Boosting Out-of-Distribution Detection with Multiple Pre-trained Models [41.66566916581451]
  事前訓練されたモデルを用いたポストホック検出は有望な性能を示し、大規模にスケールできる。 本稿では,事前訓練されたモデルの動物園から抽出した複数の検出決定をアンサンブルすることで,検出強化手法を提案する。 CIFAR10 と ImageNet のベンチマークでは, 相対性能を 65.40% と 26.96% で大幅に改善した。
  論文  参考訳（メタデータ） (2022-12-24T12:11:38Z)
• Watermarking for Out-of-distribution Detection [76.20630986010114]
  Out-of-Distribution (OOD) 検出は、よく訓練された深層モデルから抽出された表現に基づいてOODデータを識別することを目的としている。 本稿では,透かしという一般的な手法を提案する。 我々は,元データの特徴に重畳される統一パターンを学習し,ウォーターマーキング後にモデルの検出能力が大きく向上する。
  論文  参考訳（メタデータ） (2022-10-27T06:12:32Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)
• NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
  機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。 既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。 本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:39:07Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。