論文の概要: A Hybrid Framework of Vision Transformer and Gated Recurrent Unit for Detection of Mosquito Diseases

• arxiv url: http://arxiv.org/abs/2608.11582v1
• Date: Wed, 12 Aug 2026 02:43:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.436859
• Title: A Hybrid Framework of Vision Transformer and Gated Recurrent Unit for Detection of Mosquito Diseases
• Title（参考訳）: モスキート病検出のためのビジョントランスとGated Recurrent Unitのハイブリッドフレームワーク
• Abstract要約: デングウイルスに感染した蚊を制御蚊から同定することは、ビデオの背景の小さいサイズと複雑さのために大きな課題である。 本研究では、まず、蚊を識別し、背景をYOLO 11Mモデルで除去し、視覚特徴をViT(Vision Transformer)を用いて抽出し、最後に、映像を畳み込みGRU(ConvGRU)に分類する。 ConvGRUモデルは88.88%の精度、84.45%の精度、82.82%のリコール、82.81%のF1スコアを達成した。
• 参考スコア（独自算出の注目度）: 1.704431091578284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying dengue virus-infected mosquitoes from control mosquitoes is a major challenge in analyzing mosquito locomotion behavior due to the small size and complexity of the video background. Conventional AI methods are often unable to extract accurate features from video frames and produce erroneous features. In this study, a three-step framework is introduced: first, mosquitoes are identified and the background is removed using the YOLO 11M model, then visual features are extracted using the Vision Transformer (ViT), and finally the videos are classified with a convolutional GRU (ConvGRU) classifier. A comparative analysis of different models, including Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and their convolutional versions showed that the ConvGRU model achieved the best performance; it achieved 88.88% accuracy, 84.45% precision, 82.82% recall, and 82.81% F1 score. These results demonstrate that combining convolutional models with sequence-based networks, especially in the ConvGRU model, allows the simultaneous extraction of precise spatial features and long-term temporal dependencies from mosquito movements. Finally, the proposed framework provides a reliable solution for analyzing mosquito behavior in complex environments.
• Abstract（参考訳）: デングウイルスに感染した蚊を制御蚊から同定することは、ビデオの背景の大きさと複雑さから蚊の移動行動を分析する上で大きな課題である。 従来のAI手法では、ビデオフレームから正確な特徴を抽出したり、誤った特徴を生成できないことが多い。 本研究では、まず、蚊を識別し、背景をYOLO 11Mモデルで除去し、視覚特徴をViT(Vision Transformer)を用いて抽出し、最後に、ビデオは畳み込みGRU(ConvGRU)分類器で分類する。 Recurrent Neural Network (RNN)、Long Short-Term Memory (LSTM)、Gated Recurrent Unit (GRU)など様々なモデルの比較分析の結果、ConvGRUモデルは88.88%の精度、84.45%の精度、82.82%のリコール、82.81%のF1スコアを達成した。 これらの結果は、畳み込みモデルとシークエンスベースのネットワーク、特にConvGRUモデルを組み合わせることで、蚊の動きから正確な空間的特徴と長期の時間的依存を同時に抽出できることを実証している。 最後に,提案フレームワークは複雑な環境下での蚊の行動を分析するための信頼性の高いソリューションを提供する。

関連論文リスト

• The Role of Natural Language Understanding in Multimodal Video-Based Dengue Diagnosis [1.5560241758540234]
  未感染およびデングウイルス血清型2(DENV2)感染蚊の蚊飛行フレームを分類するための視覚言語フレームワークが提案されている。 提案手法は98.54%の精度と99.91%の感度をフレームレベルで達成した。 これらの結果から,映像データから感染関連生物学的挙動を解析するための視覚言語モデルの有用性が示唆された。
  論文  参考訳（メタデータ） (2026-08-13T00:27:22Z)
• Transformer-Based Wildlife Species Classification from Daily Movement Trajectories [13.570863502498336]
  大規模で7種のGPSトラジェクトリでシーケンスモデルを訓練する。 トラジェクトリモデルは、テスト中にテレメトリの全研究または領域をホールトアウトするプロトコルを用いて評価される。 変圧器は、ほぼ8～22ポイントの利得で、常により高いバランスの取れた精度を達成する。
  論文  参考訳（メタデータ） (2026-05-07T11:20:55Z)
• Less Is More: An Explainable AI Framework for Lightweight Malaria Classification [0.0]
  この研究は、複雑なニューラルネットワークがマラリアの単純な二分分類タスクに不可欠であるかどうかを論じる。 本稿では,透過的で再現性があり,低計算機械学習アプローチであるExptracted Morphological Feature Engineered (EMFE)パイプラインを紹介する。
  論文  参考訳（メタデータ） (2025-11-22T14:46:59Z)
• Detection of retinal diseases using an accelerated reused convolutional network [3.5808917363708743]
  ArConv層と呼ばれる新しい畳み込み層を組み込んだ新しい汎用モデルを作成します。 このモデルは携帯電話での使用に適した複雑さを持ち、疾患の存在を高精度に診断するタスクを実行することができる。
  論文  参考訳（メタデータ） (2025-10-05T14:44:09Z)
• Comparative Performance Analysis of Transformer-Based Pre-Trained Models for Detecting Keratoconus Disease [0.0]
  本研究は、変性眼疾患である角膜症(keratoconus)の診断のために、訓練済みの8つのCNNを比較した。 MobileNetV2は角膜と正常な症例を誤分類の少ない場合に最も正確なモデルであった。
  論文  参考訳（メタデータ） (2024-08-16T20:15:24Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Matching the Neuronal Representations of V1 is Necessary to Improve Robustness in CNNs with V1-like Front-ends [1.8434042562191815]
  近年,畳み込みニューラルネットワークの前方における初期視覚領域の計算シミュレーションにより,画像劣化に対するロバスト性の向上が示されている。 ここでは、霊長類V1に見られるRF特性の分布を正確に一致させることから生じる神経表現が、この堅牢性向上の鍵となることを示す。
  論文  参考訳（メタデータ） (2023-10-16T16:52:15Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。