論文の概要: Deep Feature Optimization for Enhanced Fish Freshness Assessment

• arxiv url: http://arxiv.org/abs/2510.24814v1
• Date: Tue, 28 Oct 2025 09:02:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:44.593052
• Title: Deep Feature Optimization for Enhanced Fish Freshness Assessment
• Title（参考訳）: 魚の鮮度評価のための深部特性最適化
• Authors: Phi-Hung Hoang, Nam-Thuan Trinh, Van-Manh Tran, Thi-Thu-Hong Phan,
• Abstract要約: 魚の鮮度を評価することは、食品の安全性を確保し、魚介類産業の経済的損失を最小限に抑えるために不可欠である。 近年のディープラーニングの進歩は視覚的鮮度予測を自動化しているが、精度と特徴透明性に関する課題は継続している。 本研究では,魚の鮮度評価に深い視覚的表現を洗練・活用する3段階統合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.05599792629509228
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Assessing fish freshness is vital for ensuring food safety and minimizing economic losses in the seafood industry. However, traditional sensory evaluation remains subjective, time-consuming, and inconsistent. Although recent advances in deep learning have automated visual freshness prediction, challenges related to accuracy and feature transparency persist. This study introduces a unified three-stage framework that refines and leverages deep visual representations for reliable fish freshness assessment. First, five state-of-the-art vision architectures - ResNet-50, DenseNet-121, EfficientNet-B0, ConvNeXt-Base, and Swin-Tiny - are fine-tuned to establish a strong baseline. Next, multi-level deep features extracted from these backbones are used to train seven classical machine learning classifiers, integrating deep and traditional decision mechanisms. Finally, feature selection methods based on Light Gradient Boosting Machine (LGBM), Random Forest, and Lasso identify a compact and informative subset of features. Experiments on the Freshness of the Fish Eyes (FFE) dataset demonstrate that the best configuration combining Swin-Tiny features, an Extra Trees classifier, and LGBM-based feature selection achieves an accuracy of 85.99%, outperforming recent studies on the same dataset by 8.69-22.78%. These findings confirm the effectiveness and generalizability of the proposed framework for visual quality evaluation tasks.
• Abstract（参考訳）: 魚の鮮度を評価することは、食品の安全性を確保し、魚介類産業の経済的損失を最小限に抑えるために不可欠である。 しかし、従来の感覚評価は主観的、時間的、一貫性のないままである。 近年のディープラーニングの進歩には視覚的鮮度の自動予測があるが、精度と特徴透明性に関する課題は持続している。 本研究では,魚の鮮度評価に深い視覚的表現を洗練・活用する3段階統合フレームワークを提案する。 まず、最先端のビジョンアーキテクチャであるResNet-50、DenseNet-121、EfficientNet-B0、ConvNeXt-Base、Swin-Tinyの5つは、強力なベースラインを確立するために微調整されている。 次に、これらのバックボーンから抽出された多層深度特徴を用いて、7つの古典的な機械学習分類器を訓練し、深度と従来の決定機構を統合する。 最後に、LGBM(Light Gradient Boosting Machine)、Random Forest、Lassoに基づく特徴選択手法により、特徴のコンパクトかつ情報的サブセットを特定する。 魚眼の鮮度(FFE)データセットの実験では、Swin-Tiny特徴とExtra Trees分類器、LGBMベースの特徴選択を組み合わせた最良の構成が85.99%の精度を達成し、同じデータセットに関する最近の研究を8.69-22.78%上回った。 これらの結果から,視覚的品質評価作業におけるフレームワークの有効性と汎用性が確認された。

関連論文リスト

• Enhanced Fish Freshness Classification with Incremental Handcrafted Feature Fusion [0.05599792629509228]
  魚の鮮度を評価するために手作りの特徴に基づくアプローチを提案する。 本手法は,全画像からグローバルな色変化を捉え,ROIセグメントから局所的な劣化を抽出する。 魚眼データセットの鮮度に関する実験は、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） (2025-10-20T04:36:34Z)
• FishAI 2.0: Marine Fish Image Classification with Multi-modal Few-shot Learning [4.649981516403062]
  FishAI 2.0は、マルチモーダルな数ショットのディープラーニング技術と、データ拡張のための画像生成を統合している。 FishAI 2.0の精度は91.67パーセント、Top-5の精度は97.97パーセントである。
  論文  参考訳（メタデータ） (2025-09-26T20:54:35Z)
• RefineX: Learning to Refine Pre-training Data at Scale from Expert-Guided Programs [76.3459242819381]
  RefineXは、プログラムによる編集タスクを通じて、トレーニング済みデータの大規模かつ外科的な洗練を行うための新しいフレームワークである。 RefineXのコアとなる強みは、高品質で専門家が指導するエンドツーエンドの精錬結果を最小限の編集ベースの削除プログラムに蒸留することにある。 RefineXを複数のモデルスケールで事前学習し、生データ、フィルタリングデータ、または代替データでトレーニングされたモデルより一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-04T02:19:58Z)
• Audio-Visual Class-Incremental Learning for Fish Feeding intensity Assessment in Aquaculture [29.42598968673262]
  魚の摂食強度評価(FFIA)は産業用養殖管理において重要である。 最近のマルチモーダルアプローチは、FFIAの堅牢性と効率性を改善することを約束している。 AV-CIL-FFIAは,水養環境下で6種の魚の摂餌強度を計測する81,932個のラベル付き視覚クリップからなる新しいデータセットである。 そして、FFIAのための音声視覚クラスインクリメンタルラーニング(CIL)の先駆者となり、AV-CIL-FFIAのベンチマークにより、単一モダリティ法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-04-21T15:24:34Z)
• Neural Edge Histogram Descriptors for Underwater Acoustic Target Recognition [42.23422932643755]
  この研究は、もともと画像分類のために開発されたニューラルエッジヒストグラム記述子(NEHD)法に適応し、受動的ソナー信号を分類する。 統計的および構造的テクスチャの特徴を包括的に評価し、それらの組み合わせが大きな事前学習モデルとの競合性能を達成することを示す。 提案したNEHDベースのアプローチは、水中目標認識のための軽量で効率的なソリューションを提供し、精度を維持しながら計算コストを大幅に削減する。
  論文  参考訳（メタデータ） (2025-03-17T22:57:05Z)
• Contrastive Visual Data Augmentation [119.51630737874855]
  大規模なマルチモーダルモデル(LMM)は、訓練済みの知識に依存し、微妙な視覚的詳細を捉える能力に制限があるため、しばしば新しい概念を認識するのに苦労する。 本稿では,LMMの視覚的特徴と言語との整合性を改善するために,Contrastive visual Data Augmentation(CoDA)戦略を提案する。 CoDAは、認識されていない既知の概念に対して、ターゲット概念の重要な対照的なテキスト的特徴と視覚的特徴を抽出し、ターゲットとなる合成データを生成するために、マルチモーダル生成モデルを使用する。
  論文  参考訳（メタデータ） (2025-02-24T23:05:31Z)
• Fruit Quality Assessment with Densely Connected Convolutional Neural Network [0.0]
  我々はDensely Connected Convolutional Neural Networks(DenseNets)の概念を果物の品質評価に活用した。 提案されたパイプラインは99.67%の精度を達成した。 さらに,同モデルが同様の性能を示す果実分類および品質評価タスクにおいて,モデルの堅牢性をさらに検証した。
  論文  参考訳（メタデータ） (2022-12-08T13:11:47Z)
• Task-Specific Normalization for Continual Learning of Blind Image Quality Models [105.03239956378465]
  視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。 このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。 我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。 最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
  論文  参考訳（メタデータ） (2021-07-28T15:21:01Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)

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。