論文の概要: Hierarchical Deep Learning for Diatom Image Classification: A Multi-Level Taxonomic Approach

• arxiv url: http://arxiv.org/abs/2512.06613v1
• Date: Sun, 07 Dec 2025 01:06:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.432052
• Title: Hierarchical Deep Learning for Diatom Image Classification: A Multi-Level Taxonomic Approach
• Title（参考訳）: 珪藻画像分類のための階層的深層学習:多層分類学的アプローチ
• Authors: Yueying Ke,
• Abstract要約: 分類,順,系統,属,種を共同で予測する5つのカスケード頭部を有する階層的畳み込みネットワークを導入する。 82種を対象とする1,456個の珪藻画像のフィルタリングデータセットを用いて,同一条件下での階層モデルと平坦モデルを比較した。 階層モデルは種レベルでの平坦な基準線(69.4%の精度)と一致し、上位の分類学レベルでは優れる。 92.5%の誤分類種が正確に属レベルで予測され、67.2%は平坦な基準線である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate taxonomic identification of diatoms is essential for aquatic ecosystem monitoring, yet conventional methods depend heavily on expert taxonomists. Recent deep learning approaches improve automation, but most treat diatom recognition as flat classification predicting only one taxonomic rank. We investigate whether embedding taxonomic hierarchy into neural network architectures can improve both accuracy and error locality. We introduce a hierarchical convolutional network with five cascaded heads that jointly predict class, order, family, genus, and species. Each head receives shared backbone features and probability distributions from higher levels, with binary masks restricting predictions to valid descendants during training and inference. Using a filtered dataset of 1,456 diatom images covering 82 species, we compare hierarchical and flat models under identical settings. The hierarchical model matches flat baselines at species level (69.4% accuracy) while outperforming at all upper taxonomic levels. When species predictions fail, errors remain taxonomically local: 92.5 % of misclassified species are correctly predicted at genus level, versus 67.2% for flat baselines. The hierarchical model reduces mean taxonomic distance by 38.2% (1.209 vs. 1.955). Progressive training reveals bidirectional mechanisms: hierarchical constraint masks operate top-down to constrain prediction space, while gradients from fine-grained levels propagate bottom-up through the shared backbone, refining features. This improves class accuracy from 96.2% to 99.5% and yields 6-8% gains at upper levels, producing more robust, interpretable, and biologically aligned predictions for multi-level taxonomic classification.
• Abstract（参考訳）: 珪藻の正確な分類学的同定は水生生態系モニタリングに不可欠であるが、従来の手法は専門家の分類学者に大きく依存している。 最近のディープラーニングアプローチでは、自動化が向上しているが、ほとんどの場合、ダイアトム認識を1つの分類階級のみを予測するフラットな分類として扱う。 ニューラルネットワークアーキテクチャに分類学的階層を組み込むことで、精度と誤差の局所性の両方を改善することができるかどうかを検討する。 分類,順,家系,属,種を共同で予測する5つのカスケード頭部を有する階層的畳み込みネットワークを導入する。 各ヘッドは、より高いレベルから共有バックボーンの特徴と確率分布を受け取り、バイナリマスクはトレーニングと推論中に有効な子孫に予測を制限する。 82種を対象とする1,456個の珪藻画像のフィルタリングデータセットを用いて,同一条件下での階層モデルと平坦モデルを比較した。 階層モデルは、種レベルでの平坦なベースライン(69.4%の精度)と一致し、上位の分類学レベルでは優れる。 92.5%の誤分類種が正確に属レベルで予測され、67.2%は平坦な基準線である。 階層モデルは平均分類学距離を38.2%削減する(1.209対1.955)。 階層的制約マスクは、トップダウンで制約予測空間に作用し、きめ細かいレベルからの勾配は、共有バックボーンを介してボトムアップを伝播し、精製する。 これにより、クラス精度は96.2%から99.5%に向上し、上位層では6-8%向上し、より堅牢で、解釈可能で、生物学的に整列したマルチレベル分類の予測をもたらす。

関連論文リスト

• A novel approach to navigate the taxonomic hierarchy to address the Open-World Scenarios in Medicinal Plant Classification [0.0]
  既存の薬草分類法は、しばしば階層的な分類や未知の種を正確に識別することができないことが観察された。 DenseNet121,Multi-Scale Self-Attention (MSSA) と階層分類のためのカスケード分類器を組み合わせた新しい手法を提案する。 提案するモデルサイズは,既存の最先端技術に比べて約4倍小さく,現実のアプリケーションに容易にデプロイできる。
  論文  参考訳（メタデータ） (2025-02-24T16:20:25Z)
• Visually Consistent Hierarchical Image Classification [37.80849457554078]
  階層分類は、例えば、粗いレベルの"Bird"から中レベルの"Hummingbird"から、細かいレベルの"Green hermit"まで、複数の分類のレベルにまたがるラベルを予測する。
  論文  参考訳（メタデータ） (2024-06-17T14:56:51Z)
• 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)
• Deep Imbalanced Regression via Hierarchical Classification Adjustment [50.19438850112964]
  コンピュータビジョンにおける回帰タスクは、しばしば、対象空間をクラスに定量化することで分類される。 トレーニングサンプルの大多数は目標値の先頭にあるが、少数のサンプルは通常より広い尾幅に分布する。 不均衡回帰タスクを解くために階層型分類器を構築することを提案する。 不均衡回帰のための新しい階層型分類調整(HCA)は,3つのタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2023-10-26T04:54:39Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。