論文の概要: Computer vision-based estimation of invertebrate biomass

• arxiv url: http://arxiv.org/abs/2603.06362v1
• Date: Fri, 06 Mar 2026 15:12:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:46.018761
• Title: Computer vision-based estimation of invertebrate biomass
• Title（参考訳）: コンピュータビジョンによる無脊椎動物のバイオマス推定
• Authors: Mikko Impiö, Philipp M. Rehsen, Jarrett Blair, Cecilie Mielec, Arne J. Beermann, Florian Leese, Toke T. Høye, Jenni Raitoharju,
• Abstract要約: 本研究は, 試料の撮影以外の手作業を必要としないドライマッサージのための2つの手法を提案する。 予測器として面積と沈み込み速度を用いることを提案する。 本手法は, 複雑で視覚的に多様な標本形態であっても, 標本乾物量を推定できることを示す。
• 参考スコア（独自算出の注目度）: 1.9233638471548928
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to estimate invertebrate biomass using only images could help scaling up quantitative biodiversity monitoring efforts. Computer vision-based methods have the potential to omit the manual, time-consuming, and destructive process of dry weighing specimens. We present two approaches for dry mass estimation that do not require additional manual effort apart from imaging the specimens: fitting a linear model with novel predictors, automatically calculated by an imaging device, and training a family of end-to-end deep neural networks for the task, using single-view, multi-view, and metadata-aware architectures. We propose using area and sinking speed as predictors. These can be calculated with BIODISCOVER, which is a dual-camera system that captures image sequences of specimens sinking in an ethanol column. For this study, we collected a large dataset of dry mass measurement and image sequence pairs to train and evaluate models. We show that our methods can estimate specimen dry mass even with complex and visually diverse specimen morphologies. Combined with automatic taxonomic classification, our approach is an accurate method for group-level dry mass estimation, with a median percentage error of 10-20% for individuals. We highlight the importance of choosing appropriate evaluation metrics, and encourage using both percentage errors and absolute errors as metrics, because they measure different properties. We also explore different optimization losses, data augmentation methods, and model architectures for training deep-learning models.
• Abstract（参考訳）: 画像のみを用いて無脊椎動物のバイオマスを推定する能力は、定量的生物多様性モニタリングの取り組みのスケールアップに役立つ。 コンピュータビジョンに基づく手法は、乾いた重量の標本のマニュアル、時間、破壊的な過程を省略する可能性がある。 本稿では,新しい予測器を線形モデルに取り付け,画像装置で自動的に計算し,単一ビュー,マルチビュー,メタデータ対応アーキテクチャを用いて,終端から終端までの深層ニューラルネットワーク群を訓練する。 予測器として面積と沈み込み速度を用いることを提案する。 これらは、エタノールカラムに沈む検体の画像シーケンスをキャプチャするデュアルカメラシステムであるBIODISCOVERで計算することができる。 本研究では,乾式質量測定と画像シーケンスペアの大規模なデータセットを収集し,モデルの訓練と評価を行った。 本手法は, 複雑で視覚的に多様な標本形態であっても, 標本乾物量を推定できることを示す。 本手法は, 自動分類と組み合わせて, グループレベルの乾物質量推定の精度の高い手法であり, 個人に対する中央値の誤差は10～20%である。 我々は、適切な評価指標を選択することの重要性を強調し、異なる特性を測定するため、パーセンテージエラーと絶対エラーの両方をメトリクスとして使用することを奨励する。 また、異なる最適化損失、データ拡張方法、ディープラーニングモデルのトレーニングのためのモデルアーキテクチャについても検討する。

関連論文リスト

• MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
  MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。 このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。 六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
  論文  参考訳（メタデータ） (2024-12-12T15:01:39Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Geometric Data Augmentations to Mitigate Distribution Shifts in Pollen Classification from Microscopic Images [4.545340728210854]
  我々は、幾何学的特徴が正確な花粉の同定に非常に重要であるというドメイン知識を活用している。 本稿では,列車におけるモデル性能とテストデータセットとの精度ギャップを著しく狭めるために,新しい2つの幾何画像拡張手法を提案する。
  論文  参考訳（メタデータ） (2023-11-18T10:35:18Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• Efficient Unsupervised Learning for Plankton Images [12.447149371717]
  水生生態系の保全には,シチューにおけるプランクトン群集のモニタリングが不可欠である。 このようなデータを分類するための機械学習アルゴリズムの採用は、手動アノテーションの大幅なコストに影響される可能性がある。 プランクトン微生物の正確な分類を行うために,効率的な教師なし学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2022-09-14T15:33:16Z)
• Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
  種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。 従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。 マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:06:51Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
  In situ hybridization (ISH) gene expression pattern image from the same developmental stage。 正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。 限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T06:06:06Z)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

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。