論文の概要: Planktonzilla: Multimodal dataset and models for understanding plankton ecosystems

• arxiv url: http://arxiv.org/abs/2606.00080v1
• Date: Fri, 22 May 2026 13:54:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.549414
• Title: Planktonzilla: Multimodal dataset and models for understanding plankton ecosystems
• Title（参考訳）: Planktonzilla: プランクトンエコシステムを理解するためのマルチモーダルデータセットとモデル
• Authors: Alan Gerson Contreras Montanares, Luis Valenzuela, Luis Martí, Nayat Sanchez-Pi,
• Abstract要約: 既存の分類モデルは個々のコレクションでうまく機能するが、楽器や環境にまたがる一般化には失敗する。 13のイメージングシステムにまたがる公開プランクトン画像コレクションを統合した統合データセットであるPlanktonzilla-17Mを紹介する。 標準分類と地理環境メタデータを備えた174万枚の画像で構成され、602の分類クラスにまたがる374万枚のプランクトン画像を含んでいる。
• 参考スコア（独自算出の注目度）: 0.602842844173992
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Marine plankton underpin aquatic food webs and play a key role in global CO2 sequestration, making reliable species identification critical for understanding ocean health and climate feedbacks. Existing classification models perform well on individual collections but fail to generalize across instruments and environments due to isolated training datasets and inconsistent labels. To address this, we introduce Planktonzilla-17M, a unified dataset consolidating publicly available plankton image collections spanning thirteen imaging systems. It comprises 17.4 million images with standardized taxonomy and geo-environmental metadata, including 3.74 million plankton images spanning over 602 taxonomic classes, of which 201 are identified at the species level, making it the largest and most comprehensive plankton image dataset to date. Using this large-scale dataset, we perform a controlled comparison between supervised and CLIP-style image--text training on a shared ViT backbone. We find that a supervised classifier matches or exceeds CLIP-style training when trained using taxonomic lineage as text. We further observe that BioCLIP and BioCLIP2 perform poorly on plankton in zero-shot and few-shot settings. Leveraging Planktonzilla-17M improves plankton classification performance, highlighting the limitations of current biological foundation models in marine imaging domains.
• Abstract（参考訳）: 海洋プランクトンは水生食料網を支え、世界規模のCO2隔離において重要な役割を担い、海洋の健康と気候フィードバックを理解する上で重要な種を特定する。 既存の分類モデルは、個々のコレクションでうまく機能するが、独立したトレーニングデータセットと一貫性のないラベルのために、機器や環境をまたいだ一般化に失敗する。 これを解決するために,13のイメージングシステムにまたがる公開プランクトン画像コレクションを統合した統合データセットであるPlanktonzilla-17Mを導入する。 分類と地理環境のメタデータが標準化された1740万枚の画像からなり、602以上の分類クラスにまたがる374万枚のプランクトン画像が含まれており、うち201枚が種レベルで識別されており、これまでで最大かつ最も包括的なプランクトン画像データセットとなっている。 この大規模データセットを用いて、共有ViTバックボーン上で、教師付きとCLIPスタイルの画像-テキストトレーニングの制御比較を行う。 教師付き分類器は,分類学的な系統をテキストとして訓練すると,CLIPスタイルの訓練と一致または超過することがわかった。 さらに,BioCLIPとBioCLIP2は,ゼロショットおよび少数ショット設定においてプランクトンに悪影響を及ぼすことを示した。 プランクトンジラ-17Mの活用によりプランクトン分類性能が向上し、海洋画像領域における現在の生物基盤モデルの限界が強調される。

関連論文リスト

• UWBench: A Comprehensive Vision-Language Benchmark for Underwater Understanding [54.16709436340606]
  視覚言語モデル(VLM)は自然界の理解において顕著な成功を収めた。 水中画像は、厳しい光の減衰、色歪み、懸濁粒子散乱などの固有の課題を呈している。 水中視覚言語理解のためのベンチマークであるUWBenchを紹介する。
  論文  参考訳（メタデータ） (2025-10-21T03:32:15Z)
• 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)
• Self-Supervised Pretraining for Fine-Grained Plankton Recognition [0.11309478649967238]
  プランクトン認識は、海洋食物網や炭素捕獲においてプランクトンが重要な役割を担っているため、重要なコンピュータビジョン問題である。 本研究では,プランクトン認識のための大規模自己教師型プレトレーニングについて検討する。
  論文  参考訳（メタデータ） (2025-03-14T12:15:20Z)
• Open-Set Plankton Recognition [0.10324748405849929]
  現代の自動プランクトンイメージング装置は、大規模なプランクトン画像データセットの収集を可能にする。 プランクトン種認識は画像分類タスクと見なすことができ、一般的にディープラーニングに基づく画像認識モデルを用いて解決される。 本稿では,プランクトン画像のオープンセット認識(OSR)について考察する。
  論文  参考訳（メタデータ） (2025-03-14T11:35:36Z)
• Image-Based Relocalization and Alignment for Long-Term Monitoring of Dynamic Underwater Environments [57.59857784298534]
  本稿では,視覚的位置認識(VPR),特徴マッチング,画像分割を組み合わせた統合パイプラインを提案する。 本手法は, 再検討領域のロバスト同定, 剛性変換の推定, 生態系変化の下流解析を可能にする。
  論文  参考訳（メタデータ） (2025-03-06T05:13:19Z)
• 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)
• Towards Generating Large Synthetic Phytoplankton Datasets for Efficient Monitoring of Harmful Algal Blooms [77.25251419910205]
  有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。 現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。 合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
  論文  参考訳（メタデータ） (2022-08-03T20:15:55Z)
• Deep Learning Classification of Lake Zooplankton [0.0]
  湖沼プランクトンの同定のために開発された深層学習モデルについて述べる。 この目的のために,我々は17900年の動物園プランクトンと大型植物プランクトンコロニーの画像に対して35のクラスに注釈を付けた。 最良モデルは転送学習とアンサンブルに基づいて,98%の精度と93%のF1スコアでプランクトン画像を分類した。
  論文  参考訳（メタデータ） (2021-08-11T14:57:43Z)
• 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。