論文の概要: Hierarchical Specialised Ensembles for Classification of Zebrafish Phenotypes Using the Selected Image Recognition Methods
- arxiv url: http://arxiv.org/abs/2607.15698v1
- Date: Fri, 17 Jul 2026 07:17:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.779582
- Title: Hierarchical Specialised Ensembles for Classification of Zebrafish Phenotypes Using the Selected Image Recognition Methods
- Title（参考訳）: 選抜画像認識法を用いたゼブラフィッシュ現象の分類のための階層的特化アンサンブル
- Authors: Piotr S. Maciąg, Monika Maciąg, Magdalena Majdan,
- Abstract要約: 胚画像からゼブラフィッシュ表現型分類のための3つの階層的アンサンブル構成を提案し,評価した。
ResNet18、ViT、ConvNeXtという3つのバックボーンアーキテクチャを使って、これらのセットアップを比較します。
本研究は,ゼブラフィッシュの表現型認識に有効であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We propose and evaluate three hierarchical ensemble setups for zebrafish phenotype classification from embryo images. In all setups, stage 1 uses a single four-class classifier to assign images to one of the exclusive phenotypes: Normal, Chorion, Dead, or Other. Images classified as Other are then processed in stage 2, where the ensemble design differs across setups: a single multi-label classifier, two specialized multi-label classifiers, or an ensemble of binary classifiers. We compare these setups using three backbone architectures: ResNet18, ViT, and ConvNeXt. Overall, ConvNeXt achieves the best performance across setups, while the specialized hierarchical ensemble in setup 2 provides the best balance in terms of F1-score. The results show that the proposed specialised hierarchical ensembles are effective for zebrafish phenotype recognition, and suggest that ConvNeXt is particularly useful backbone model.
- Abstract（参考訳）: 胚画像からゼブラフィッシュ表現型分類のための3つの階層的アンサンブル構成を提案し,評価した。
すべてのセットアップにおいて、ステージ1は1つの4つのクラス分類器を使用して、イメージを排他的表現型(Normal, Chorion, Dead, Other)の1つに割り当てる。
次に、Atherとして分類された画像はステージ2で処理され、アンサンブル設計は、単一のマルチラベル分類器、2つの特殊マルチラベル分類器、バイナリ分類器のアンサンブルという設定で異なる。
ResNet18、ViT、ConvNeXtという3つのバックボーンアーキテクチャを使って、これらのセットアップを比較します。
全体としては、ConvNeXtはセットアップ全体で最高のパフォーマンスを達成するが、セットアップ2における特別な階層的なアンサンブルはF1スコアの点で最高のバランスを提供する。
以上の結果から,本手法はゼブラフィッシュの表現型認識に有効であり,ConvNeXtは特に有用なバックボーンモデルであることが示唆された。
関連論文リスト
- 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) - A class-driven hierarchical ResNet for classification of multispectral remote sensing images [12.282079123411947]
本稿では,異なる意味クラスレベルでのマルチスペクトル画像の時系列(TS)分類をモデル化するために,クラス駆動型階層型残留ニューラルネットワーク(ResNet)を提案する。
我々は、階層的なペナルティマップを利用して、分類の非一貫性な階層的遷移を阻止する。
センチネル2号画像の月12回の合成でアマゾン林の2つのタイルから得られた実験結果から,階層的アプローチの有効性が示された。
論文 参考訳（メタデータ） (2025-10-09T10:47:52Z) - HSFN: Hierarchical Selection for Fake News Detection building Heterogeneous Ensemble [7.982080205252205]
本稿では,その多様性を優先し,性能によって拡張された新しい自動分類器選択手法を提案する。
異なるアプリケーションドメインから6つのデータセットにまたがる40の異種分類器を用いて実験を行う。
その結果,提案手法は6つのデータセットのうち2つにおいて最も精度が高いことがわかった。
論文 参考訳（メタデータ） (2025-08-29T10:09:20Z) - Synergy and Diversity in CLIP: Enhancing Performance Through Adaptive Backbone Ensembling [58.50618448027103]
コントラスト言語-画像事前学習(CLIP)は画像表現学習において顕著な手法である。
本稿では,CLIPを訓練した視覚バックボーンの違いについて検討する。
方法によって、最高の単一のバックボーンよりも39.1%の精度が著しく向上する。
論文 参考訳（メタデータ） (2024-05-27T12:59:35Z) - Matching Feature Sets for Few-Shot Image Classification [22.84472344406448]
セットベースの表現は本質的に、ベースクラスからの画像のよりリッチな表現を構築します。
私たちのアプローチは、SetFeatと呼ばれ、既存のエンコーダアーキテクチャに浅い自己アテンションメカニズムを組み込んでいます。
論文 参考訳（メタデータ） (2022-04-02T22:42:54Z) - Deep ensembles in bioimage segmentation [74.01883650587321]
本研究では,畳み込みニューラルネットワーク(CNN)のアンサンブルを提案する。
アンサンブル法では、多くの異なるモデルが訓練され、分類に使用され、アンサンブルは単一分類器の出力を集約する。
提案するアンサンブルは,DeepLabV3+とHarDNet環境を用いて,異なるバックボーンネットワークを組み合わせることで実現されている。
論文 参考訳（メタデータ） (2021-12-24T05:54:21Z) - MMF: Multi-Task Multi-Structure Fusion for Hierarchical Image
Classification [10.713537820833665]
我々は、異なるラベル構造がカテゴリ認識に様々な事前知識を提供すると考えている。
異なるラベル構造を統合するマルチタスク多構造融合モデルを提案する。
論文 参考訳（メタデータ） (2021-07-02T02:53:35Z) - Multi-dataset Pretraining: A Unified Model for Semantic Segmentation [97.61605021985062]
我々は、異なるデータセットの断片化アノテーションを最大限に活用するために、マルチデータセット事前訓練と呼ばれる統合フレームワークを提案する。
これは、複数のデータセットに対して提案されたピクセルからプロトタイプへのコントラスト損失を通じてネットワークを事前トレーニングすることで実現される。
異なるデータセットからの画像とクラス間の関係をより良くモデル化するために、クロスデータセットの混合によりピクセルレベルの埋め込みを拡張する。
論文 参考訳（メタデータ） (2021-06-08T06:13:11Z) - Reconciliation of Statistical and Spatial Sparsity For Robust Image and
Image-Set Classification [27.319334479994787]
分類のための画像や画像セットデータをモデル化するために,textitJ3Sと呼ばれる新しい統計空間スパース表現を提案する。
本稿では,J3Sモデルに基づく結合スパース符号化問題の解法を提案する。
実験の結果,提案手法はFMD, UIUC, ETH-80, YTCデータベース上での競合手法よりも高い性能を示した。
論文 参考訳（メタデータ） (2021-06-01T06:33:24Z) - Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
まずラベル階層の知識を任意のCNNベースの分類器に注入する。
画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
論文 参考訳（メタデータ） (2020-04-02T10:22:02Z)
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。