論文の概要: Taxonomy-aware deep learning for hierarchical marine species classification in underwater imagery
- arxiv url: http://arxiv.org/abs/2606.25989v1
- Date: Wed, 24 Jun 2026 15:59:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.391487
- Title: Taxonomy-aware deep learning for hierarchical marine species classification in underwater imagery
- Title（参考訳）: 海底画像における階層海洋種分類のための分類学を考慮した深層学習
- Abstract要約: 本稿では,生物分類の階層構造とトレーニング損失と推論規則を一致させる分類学対応の深層学習フレームワークを提案する。
このシステムの平均分類学的距離は1.581であり、第1位の解の3%以内である。
- 参考スコア（独自算出の注目度）: 1.2642567066850365
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automated classification of marine species from underwater imagery is essential for scalable ocean biodiversity monitoring and conservation policy. Existing approaches struggle with severe domain shift across collection platforms, fine-grained visual similarity between closely related species, and uneven annotation granularity, where many specimens can only be identified to genus or a coarser taxonomic rank. We present a taxonomy-aware deep learning framework that aligns both the training loss and the inference rule with the hierarchical structure of biological classification, combining a taxonomy-weighted loss, minimum-risk Bayesian inference, multi-scale feature encoding, and independent per-rank classification heads. Evaluated on the FathomNet 2025 dataset1 (79 marine classes across seven taxonomic ranks), the system achieves a mean taxonomic distance of 1.581, within 3% of the 1st-place solution (1.535), with the largest gains from metric-aligned inference and simple, decoupled components that generalize better than learned dependencies under distribution shift.
- Abstract（参考訳）: 海底画像からの海洋生物の自動分類は、スケーラブルな海洋生物多様性監視と保全政策に不可欠である。
既存のアプローチでは、収集プラットフォーム間の深刻なドメインシフト、近縁種間のきめ細かい視覚的類似性、および多くの標本が属または粗い分類学的ランクにのみ識別できる不均一なアノテーションの粒度に苦慮している。
本稿では,生物分類の階層構造とトレーニング損失と推論規則の両方を整合させた分類学習フレームワークを提案し,分類の重み付け損失,最小リスクベイズ推論,マルチスケール特徴符号化,および独立ランク単位の分類ヘッドを組み合わせた。
FathomNet 2025データセット1(7つの分類階級にわたる79の海洋クラス)に基づいて評価され、1位(1.535)の解の3%以内の平均分類学的距離を1.581と達成し、測定値に整合した推論と、分布シフトの下で学習された依存関係よりも良く一般化する単純な分離されたコンポーネントから最大の利益を得た。
関連論文リスト
- Tensor Network Machine Learning for Wildfire Susceptibility Mapping: from Grokking Dynamics to Quantum Mixedness of Class Representations [53.66343110413339]
ガルガノ地域の山火事感受性分類のための量子インスピレーション付きテンソルネットワークフレームワークについて紹介する。
このアプローチは、スケーラブルな地理空間表現と解釈可能な量子マスクを組み合わせることで、バイナリとマルチクラスの両方の分類を可能にする。
論文 参考訳（メタデータ） (2026-07-21T18:30:50Z) - HASSL: Hierarchy-Aware Self-Supervised Learning Framework for Single Cell Microscopy [0.9759936503350192]
この問題に対処するための階層型自己教師型トレーニングフレームワークを提案する。
20の顕微鏡データセットから収集した230万個の単細胞からなる培養コーパスを用いて,本手法の訓練と評価を行った。
論文 参考訳（メタデータ） (2026-07-05T15:18:12Z) - Beyond Flat Labels: Level-Restricted Contrastive Learning for Hierarchical Fine-Grained Vision Classification [50.20892407648858]
マルチモーダルコントラスト学習は、画像とテキストカテゴリを整列させることで、ゼロショットの視覚的分類を可能にした。
既存の手法は、しばしば分類学レベルで矛盾する予測を生成する。
本稿では,各分類レベルが適切な最適化を受けることを保証するグループバランス設計を提案する。
我々は、BioCLIPに基づいてTreeOfLife-10Mでモデルをトレーニングし、複数の階層分類ベンチマークで評価する。
論文 参考訳（メタデータ） (2026-06-20T02:12:05Z) - GeoDecider: A Coarse-to-Fine Agentic Workflow for Explainable Lithology Classification [52.5232577739543]
リソロジー分類は、よく記録された信号から地下岩のタイプを推定することを目的としている。
既存の方法では、リソロジー分類を単一パスの分類タスクとして扱うことができる。
高精度かつ説明可能なリソロジー分類を可能にする粗大なエージェントワークフローであるGeoDeciderを提案する。
論文 参考訳（メタデータ） (2026-05-05T05:42:51Z) - Hierarchy-Guided Multimodal Representation Learning for Taxonomic Inference [17.708423679075075]
階層型マルチモーダル学習のためのエンドツーエンドの2つの変種を提案する。
CLiBD-HiRは階層情報正規化(HiR)を導入し、分類学レベルで埋め込み幾何学を形作る。
CLiBD-HiR-Fuseは、画像のみ、DNAのみ、または関節推論をサポートする軽量な融合予測器を訓練する。
論文 参考訳（メタデータ） (2026-03-26T15:47:03Z) - Hierarchical Deep Learning for Diatom Image Classification: A Multi-Level Taxonomic Approach [0.0]
階層型畳み込みネットワークであるDiatomNet(H-COFGS)を紹介する。
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。
H-COFGSは種レベルでの平坦な基準線(69.4%の精度)と一致し、全ての上層部の分類学的レベルよりも優れている。
論文 参考訳（メタデータ） (2025-12-07T01:06:13Z) - 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) - 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) - Hierarchical Classification for Automated Image Annotation of Coral Reef Benthic Structures [5.407146435972322]
自動ベント画像アノテーションは,サンゴ礁の気候変動対策を効率的に監視し,保護するために重要である。
現在の機械学習アプローチでは、ベント生物の階層的な性質を捉えることができない。
階層分類を用いた良性画像のアノテートを提案する。
論文 参考訳（メタデータ） (2024-12-11T09:28:30Z) - 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) - 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。