論文の概要: Robustness Verification of an Autonomous Underwater Vehicle-based Plankton Classifier

• arxiv url: http://arxiv.org/abs/2607.04453v1
• Date: Sun, 05 Jul 2026 18:32:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.940931
• Title: Robustness Verification of an Autonomous Underwater Vehicle-based Plankton Classifier
• Title（参考訳）: 自律型水中車両型プランクトン分類器のロバスト性検証
• Abstract要約: 海面上の生物過程を理解する上では, プランクトン立方体と微生物構造の評価が重要である。 現在のAIメソッドは、動的で非構造的な環境では堅牢性に欠けることが多い。 本稿では,到達可能性解析に基づく平面内分類器のための新しいロバスト性検証フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.5749416770494706
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The assessment of planktonic standing stocks and microorganism structures is critical for understanding upper ocean biological processes. Currently, autonomous underwater vehicles (AUVs) equipped with in-situ optical imaging and artificial intelligence (AI) methods offer a promising solution for persistent surveillance, mapping and monitoring of planktonic life. However, current AI methods often lack robustness in dynamic, unstructured environments, where environmental noise and non-biological artifacts lead to frequent misclassifications. Standard convolutional neural network (CNN) classifiers often struggle with such conditions, leading to misclassifications that require time-consuming manual validation by marine biologists. To address this issue, we propose a novel robustness verification framework for in-situ plankton classifiers based on reachability analysis. We also introduce a continuous-time neural ordinary differential equation (neural ODE) classification model leveraging the high-resolution imaging capabilities of the SilCam particle imager. In this paper, we demonstrate the effectiveness of the proposed framework by formally verifying the robustness of the neural ODE model against environmental perturbations. We demonstrate that our verification framework acts as an automated filter providing formal guarantees of model stability against ambiguous data, thereby improving the reliability of autonomous sampling and reducing the post-processing workload.
• Abstract（参考訳）: 海面上の生物過程を理解する上では,プランクトン立方体と微生物構造の評価が重要である。 現在、光学画像と人工知能(AI)技術を備えた自律型水中車両(AUV)は、永続的な監視、マッピング、プランクトン生物の監視に有望なソリューションを提供する。 しかしながら、現在のAI手法は、環境ノイズや非生物学的アーティファクトがしばしば誤分類を引き起こす、動的で非構造的な環境において堅牢性に欠けることが多い。 標準的な畳み込みニューラルネットワーク(CNN)分類器はそのような条件に苦しむことが多く、海洋生物学者による時間を要する手作業による検証を必要とする誤分類につながる。 この問題に対処するため,本研究では,到達可能性解析に基づくインサイトプランクトン分類のための新しいロバストネス検証フレームワークを提案する。 また,SilCam粒子画像の高分解能イメージング機能を利用した連続時間ニューラル常微分方程式(Neural ODE)分類モデルも導入した。 本稿では,環境摂動に対するニューラルODEモデルのロバスト性を検証することによって,提案手法の有効性を実証する。 筆者らの検証フレームワークは,不明瞭なデータに対するモデル安定性の形式的保証を提供する自動フィルタとして機能し,自動サンプリングの信頼性の向上と後処理の負荷軽減を図っている。

関連論文リスト

• An active-learning framework for real-time depth perception from monocular vision streams [24.813023779263645]
  オンラインアクティブラーニング機構は、運用中に連続的に適応する機能を備えたコンパクトニューラルネットワークを実現するために導入された。 クローズドループ予測評価学習パラダイムを構築し、ストリーミング視覚入力から高信頼で情報豊富な信号を積極的に選択する。 提案システムは,競争深度推定精度を維持しつつ,約75%の計算コスト削減を実現する。
  論文  参考訳（メタデータ） (2026-08-05T14:45:16Z)
• ShellfishNet: A Domain-Specific Benchmark for Visual Recognition of Marine Molluscs [5.457526757904208]
  貝の生物多様性は沿岸生態系にとって深刻な脅威である。 ShellfishNetは、実世界の生態モニタリング制約に対する包括的なイメージベンチマークデータセットである。
  論文  参考訳（メタデータ） (2026-05-08T06:42:55Z)
• Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
  フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。 FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。 連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
  論文  参考訳（メタデータ） (2026-03-23T03:22:33Z)
• PhyNiKCE: A Neurosymbolic Agentic Framework for Autonomous Computational Fluid Dynamics [0.0]
  この研究は、信頼できるエンジニアリングのためのニューロシンボリック・エージェント・フレームワークであるPhyNiKCEを紹介している。 標準的なブラックボックスエージェントとは異なり、PhyNiKCEはシンボリック検証からニューラルプランニングを分離する。 このアーキテクチャは、幅広い産業自動化において、信頼できる人工知能のためのスケーラブルで監査可能なパラダイムを提供する。
  論文  参考訳（メタデータ） (2026-02-12T07:37:56Z)
• Sonar-based Deep Learning in Underwater Robotics: Overview, Robustness and Challenges [0.46873264197900916]
  水中でのソナーの使用は、限られた訓練データと固有のノイズが特徴であり、頑丈さをモデル化する上での課題となっている。 本稿では,分類,物体検出,セグメンテーション,SLAMなどのソナーベース認知タスクモデルについて検討する。 ソナーベースの最先端データセット、シミュレータ、ニューラルネットワーク検証、アウト・オブ・ディストリビューション、敵攻撃などの堅牢性メソッドを体系化する。
  論文  参考訳（メタデータ） (2024-12-16T15:03:08Z)
• Reversible Quantization Index Modulation for Static Deep Neural Network Watermarking [57.96787187733302]
  可逆的データ隠蔽法(RDH)は潜在的な解決策を提供するが、既存のアプローチはユーザビリティ、キャパシティ、忠実性の面で弱点に悩まされている。 量子化指数変調(QIM)を用いたRDHに基づく静的DNN透かし手法を提案する。 提案手法は,透かし埋め込みのための1次元量化器に基づく新しい手法を取り入れたものである。
  論文  参考訳（メタデータ） (2023-05-29T04:39:17Z)
• Neural Abstractions [72.42530499990028]
  本稿では,ニューラルネットワークを用いた非線形力学モデルの安全性検証手法を提案する。 提案手法は,既存のベンチマーク非線形モデルにおいて,成熟度の高いFlow*と同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-01-27T12:38:09Z)
• 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)
• A Novel Underwater Image Enhancement and Improved Underwater Biological Detection Pipeline [8.326477369707122]
  本稿では, YOLOv5 バックボーンに畳み込みブロックアテンションモジュール (CBAM) を付加した特徴情報を取得する手法を提案する。 物体特性に対する水中生物特性の干渉が減少し、対象情報に対するバックボーンネットワークの出力が向上する。
  論文  参考訳（メタデータ） (2022-05-20T14:18:17Z)
• On the benefits of robust models in modulation recognition [53.391095789289736]
  畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。 画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。 最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-27T19:58:06Z)
• Automated and Formal Synthesis of Neural Barrier Certificates for Dynamical Models [70.70479436076238]
  バリア証明書(BC)の自動的,形式的,反例に基づく合成手法を提案する。 このアプローチは、ニューラルネットワークとして構造化されたBCの候補を操作する誘導的フレームワークと、その候補の有効性を認証するか、反例を生成する音検証器によって支えられている。 その結果,音のBCsを最大2桁の速度で合成できることがわかった。
  論文  参考訳（メタデータ） (2020-07-07T07:39:42Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。