論文の概要: Sex and age determination in European lobsters using AI-Enhanced bioacoustics
- arxiv url: http://arxiv.org/abs/2511.16848v1
- Date: Thu, 20 Nov 2025 23:08:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-24 18:08:18.836477
- Title: Sex and age determination in European lobsters using AI-Enhanced bioacoustics
- Title（参考訳）: AI強化バイオアコースティックを用いたヨーロッパのロブスターの性別と年齢決定
- Authors: Feliciano Pedro Francisco Domingos, Isibor Kennedy Ihianle, Omprakash Kaiwartya, Ahmad Lotfi, Nicola Khan, Nicholas Beaudreau, Amaya Albalat, Pedro Machado,
- Abstract要約: 本研究は,水産・養殖の重要種であるホマルス・ガンマロス(European lobster)に焦点を当てた。
本研究は、特にH. gammarus Bioacousticsを用いて、ロブスターを年齢(少年/大人)と性(男性/女性)で分類する。
- 参考スコア（独自算出の注目度）: 3.1582066980183066
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Monitoring aquatic species, especially elusive ones like lobsters, presents challenges. This study focuses on Homarus gammarus (European lobster), a key species for fisheries and aquaculture, and leverages non-invasive Passive Acoustic Monitoring (PAM). Understanding lobster habitats, welfare, reproduction, sex, and age is crucial for management and conservation. While bioacoustic emissions have classified various aquatic species using Artificial Intelligence (AI) models, this research specifically uses H. gammarus bioacoustics (buzzing/carapace vibrations) to classify lobsters by age (juvenile/adult) and sex (male/female). The dataset was collected at Johnshaven, Scotland, using hydrophones in concrete tanks. We explored the efficacy of Deep Learning (DL) models (1D-CNN, 1D-DCNN) and six Machine Learning (ML) models (SVM, k-NN, Naive Bayes, Random Forest, XGBoost, MLP). Mel-frequency cepstral coefficients (MFCCs) were used as features. For age classification (adult vs. juvenile), most models achieved over 97% accuracy (Naive Bayes: 91.31%). For sex classification, all models except Naive Bayes surpassed 93.23%. These strong results demonstrate the potential of supervised ML and DL to extract age- and sex-related features from lobster sounds. This research offers a promising non-invasive PAM approach for lobster conservation, detection, and management in aquaculture and fisheries, enabling real-world edge computing applications for underwater species.
- Abstract（参考訳）: 水生生物、特にロブスターのような溶出性生物のモニタリングは、課題を提示している。
本研究は,水産・養殖の重要種であるホマルス・ガンマロス(European lobster)に着目し,非侵襲的パッシブ・アコースティック・モニタリング(PAM)を利用した。
ロブスターの生息地、福祉、生殖、性、年齢を理解することは、管理と保全に不可欠である。
生物音響放射は、人工知能(AI)モデルを用いて様々な水生生物を分類しているが、この研究は特にH. gammarus Bioacoustics (buzzing/carapace vibrations)を用いて、ロブスターを年齢(少年/大人)と性別(男性/女性)で分類している。
データセットは、コンクリートのタンクにハイドロフォンを使ってスコットランドのジョン・シャヴェンで収集された。
深層学習モデル (1D-CNN, 1D-DCNN) と6つの機械学習モデル (SVM, k-NN, Naive Bayes, Random Forest, XGBoost, MLP) の有効性を検討した。
メル周波数ケプストラム係数 (MFCC) を特徴として用いた。
年齢分類(アダルト対少年)では、ほとんどのモデルが97%以上の精度(ネイブベイズ:91.31%)を達成した。
性分類では、ネイブベイズを除く全てのモデルが93.23%を超えた。
以上の結果から,ロブスター音から年齢・性関連の特徴を抽出するための教師付きMLとDLの可能性が示された。
本研究は, 養殖・漁業におけるロブスターの保全, 検出, 管理のために, 有望な非侵襲的PAMアプローチを提供する。
関連論文リスト
- Deep Learning for Accurate Vision-based Catch Composition in Tropical Tuna Purse Seiners [1.9503589459693256]
電子監視システムで捉えた画像を用いて,マグロとイエローフィンマグロを識別する難易度を定量化する。
そこで本研究では,信頼度の高い接地トラスデータセットを用いて,捕食者の種組成を推定する多段階パイプラインを提案する。
検証の平均精度は0.66$pm$ 0.03、リコールは0.88$pm$ 0.03である。
論文 参考訳（メタデータ） (2025-11-19T14:26:04Z) - Domain-Adaptive Pretraining Improves Primate Behavior Recognition [43.65707056647872]
我々は,自己指導型学習を用いて霊長類行動に対する行動認識を大幅に改善できることを示す。
PanAf と ChimpACT の2つの大きな類人猿行動のデータセットでは, それぞれ6.1 %の精度と6.3 %のmAPの精度で, 最先端の行動認識モデルより優れていた。
論文 参考訳（メタデータ） (2025-09-15T17:54:20Z) - Jellyfish Species Identification: A CNN Based Artificial Neural Network Approach [0.0]
クラゲは海洋生態系の維持に重要な役割を担っているが、生物多様性と保全に重大な課題を生んでいる。
本研究では,水中画像データセットを用いたクラゲ種検出・分類のための深層学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-15T09:10:36Z) - Is AI currently capable of identifying wild oysters? A comparison of human annotators against the AI model, ODYSSEE [3.5969970396484934]
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。
論文 参考訳（メタデータ） (2025-05-06T02:01:27Z) - MPT: A Large-scale Multi-Phytoplankton Tracking Benchmark [36.37530623015916]
本稿では,様々な背景情報と観測時の動作変化を網羅するベンチマークデータセットであるMultiple Phytoplankton Tracking (MPT)を提案する。
このデータセットには27種類の植物プランクトンと動物プランクトンが含まれ、14種類の背景があり、多様な複雑な水中環境をシミュレートしている。
標準特徴抽出器の出力残量を予測するための追加特徴抽出器を導入し、抽出器の異なる層の特徴に基づいて多スケールのフレーム間類似性を計算した。
論文 参考訳（メタデータ） (2024-10-22T04:57:28Z) - WhaleNet: a Novel Deep Learning Architecture for Marine Mammals Vocalizations on Watkins Marine Mammal Sound Database [49.1574468325115]
textbfWhaleNet (Wavelet Highly Adaptive Learning Ensemble Network) は海洋哺乳動物の発声を分類するための高度な深層アンサンブルアーキテクチャである。
既存のアーキテクチャよりも8-10%の精度で分類精度を向上し、分類精度は9,7.61%である。
論文 参考訳（メタデータ） (2024-02-20T11:36:23Z) - A Study of Age and Sex Bias in Multiple Instance Learning based
Classification of Acute Myeloid Leukemia Subtypes [44.077241051884926]
複数のMILモデルをトレーニングセットで異なるレベルの性不均衡を用いて訓練し、特定の年齢群を除外する。
性別と年齢の偏りがAMLサブタイプ分類モデルの性能に及ぼす影響について検討した。
論文 参考訳（メタデータ） (2023-08-24T09:32:46Z) - Image Labels Are All You Need for Coarse Seagrass Segmentation [3.253176232272777]
海草の牧草地は重要な炭素シンクとして機能するが、それらが蓄積する炭素量の推定には海草種の知識が必要である。
過去の海草の検出と分類にはパッチレベルのラベルの監督が必要であった。
本研究では、教師なしのコントラスト事前学習と特徴類似性を利用したアーキテクチャであるSeaFeatsと、大規模言語モデルの有効性を示すモデルであるSeaCLIPを紹介する。
論文 参考訳（メタデータ） (2023-03-02T05:10:57Z) - 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) - Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。
提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
論文 参考訳（メタデータ） (2020-11-28T05:51:19Z)
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。