論文の概要: Automated identification of Ichneumonoidea wasps via YOLO-based deep learning: Integrating HiresCam for Explainable AI

• arxiv url: http://arxiv.org/abs/2603.16351v1
• Date: Tue, 17 Mar 2026 10:34:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.222892
• Title: Automated identification of Ichneumonoidea wasps via YOLO-based deep learning: Integrating HiresCam for Explainable AI
• Title（参考訳）: YOLOを用いた深層学習によるIchneumonoideaスズメバチの自動識別:説明可能なAIのためのHiresCamの統合
• Authors: Joao Manoel Herrera Pinheiro, Gabriela Do Nascimento Herrera, Alvaro Doria Dos Santos, Luciana Bueno Dos Reis Fernandes, Ricardo V. Godoy, Eduardo A. B. Almeida, Helena Carolina Onody, Marcelo Andrade Da Costa Vieira, Angelica Maria Penteado-Dias, Marcelo Becker,
• Abstract要約: 本研究では,Ichneumonoideaスズメバチの自動識別のためのディープラーニングに基づくフレームワークを提案する。 提案システムは,高解像度画像からスズメ科を同時に同定する。 その結果, 96 %以上の精度を示し, 形態的変動にまたがるロバストな一般化が得られた。
• 参考スコア（独自算出の注目度）: 0.5673416639353487
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate taxonomic identification of parasitoid wasps within the superfamily Ichneumonoidea is essential for biodiversity assessment, ecological monitoring, and biological control programs. However, morphological similarity, small body size, and fine-grained interspecific variation make manual identification labor-intensive and expertise-dependent. This study proposes a deep learning-based framework for the automated identification of Ichneumonoidea wasps using a YOLO-based architecture integrated with High-Resolution Class Activation Mapping (HiResCAM) to enhance interpretability. The proposed system simultaneously identifies wasp families from high-resolution images. The dataset comprises 3556 high-resolution images of Hymenoptera specimens. The taxonomic distribution is primarily concentrated among the families Ichneumonidae (n = 786), Braconidae (n = 648), Apidae (n = 466), and Vespidae (n = 460). Extensive experiments were conducted using a curated dataset, with model performance evaluated through precision, recall, F1 score, and accuracy. The results demonstrate high accuracy of over 96 % and robust generalization across morphological variations. HiResCAM visualizations confirm that the model focuses on taxonomically relevant anatomical regions, such as wing venation, antennae segmentation, and metasomal structures, thereby validating the biological plausibility of the learned features. The integration of explainable AI techniques improves transparency and trustworthiness, making the system suitable for entomological research to accelerate biodiversity characterization in an under-described parasitoid superfamily.
• Abstract（参考訳）: スーパーファミリーIchneumonoideaにおける寄生虫の正確な分類学的同定は,生物多様性評価,生態モニタリング,生物制御プログラムに不可欠である。 しかし、形態的類似性、体の大きさ、細粒度の違いにより、手動による識別は労働集約的で専門性に依存している。 本研究では,ハイレゾリューションクラス活性化マッピング(HiResCAM)と統合したYOLOアーキテクチャを用いて,Ichneumonoideaスズメバチの自動識別のためのディープラーニングベースのフレームワークを提案する。 提案システムは,高解像度画像からスズメ科を同時に同定する。 データセットは3556枚のハイメノプテラ標本の高解像度画像で構成されている。 分類学的分布は、主にイクノイモン科(n = 786)、ブラーコニア科(n = 648)、アプ科(n = 466)、ベスプ科(n = 460)に集中している。 モデル性能を精度,リコール,F1スコア,精度で評価した。 その結果, 96 %以上の精度を示し, 形態的変動にまたがるロバストな一般化が得られた。 HiResCAMの可視化は、このモデルが翼静脈、アンテナセグメンテーション、メタソマル構造などの分類学的に関係する解剖学的領域に焦点を当てていることを確認し、学習された特徴の生物学的妥当性を検証する。 説明可能なAI技術の統合により透明性と信頼性が向上し、下記のパラシトイドスーパーファミリーにおける生物多様性のキャラクタリゼーションを促進するために、昆虫学研究に適したシステムとなる。

関連論文リスト

• A multi-modal dataset for insect biodiversity with imagery and DNA at the trap and individual level [12.817729932901779]
  本研究は,昆虫標本の自動分類器を訓練するための混合節足類標本同定データセット(MassID45)について述べる。 これは、分類されていないサンプルレベルと、個々の標本の完全なセットの両方で、分子とイメージングのデータを一意に組み合わせている。 AI支援ツールによって支えられた人間のアノテーションは、各節足動物の周囲にセグメンテーションマスクを作成し、17万以上の標本に分類学的ラベルを割り当てるという、バルク画像の2つのタスクを実行した。
  論文  参考訳（メタデータ） (2025-07-09T16:03:06Z)
• BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [60.80381372245902]
  生体視覚モデルでは,大規模コントラスト視覚言語学習により創発的行動が観察される。 我々は、異なる種を区別するために、TreeOfLife-200MでBioCLIP 2を訓練する。 得られたBioCLIP 2の埋め込み空間における創発的特性を同定する。
  論文  参考訳（メタデータ） (2025-05-29T17:48:20Z)
• BeetleVerse: A Study on Taxonomic Classification of Ground Beetles [0.310688583550805]
  地上の甲虫は、非常に敏感で特異な生物学的指標であり、生物多様性のモニタリングに不可欠である。 本稿では,4つの多種多様な長い尾を持つデータセットの分類分類に関する12の視覚モデルを評価する。 その結果,視覚と言語変換器を頭部と組み合わせたモデルが最も優れており,97%の精度で種・種レベルでの精度が得られた。
  論文  参考訳（メタデータ） (2025-04-18T01:06:37Z)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• Neural Echos: Depthwise Convolutional Filters Replicate Biological Receptive Fields [56.69755544814834]
  哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。 生体受容の分野からインスピレーションを得る手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:06:22Z)
• Comparison between transformers and convolutional models for fine-grained classification of insects [7.107353918348911]
  私たちはInsectaの分類学クラスを考えます。 昆虫の識別は多くの生態系の基盤にある住民の1つであるため、生物多様性監視に不可欠である。 何十億もの画像が自動的に分類され、ディープニューラルネットワークアルゴリズムが、きめ細かいタスクのために研究されている主要なテクニックの1つです。
  論文  参考訳（メタデータ） (2023-07-20T10:00:04Z)
• Taxonomy and evolution predicting using deep learning in images [9.98733710208427]
  本研究では,キノコ画像認識問題を体系的に研究することで,新しい認識枠組みを創出する。 そこで本研究では,DNAにDNAをマッピングする最初の方法として,遺伝子距離にエンコーダマッピング画像を使用し,事前に訓練したデコーダを介してDNAをデコードする手法を提案する。
  論文  参考訳（メタデータ） (2022-06-28T13:54:14Z)
• 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)
• 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。