論文の概要: Automated pipeline for herbarium label digitization

• arxiv url: http://arxiv.org/abs/2608.28676v1
• Date: Tue, 25 Aug 2026 14:01:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.70574
• Title: Automated pipeline for herbarium label digitization
• Title（参考訳）: ハーバリウムラベルデジタル化のための自動パイプライン
• Abstract要約: HERBIOMEは、自動ハーバリウムラベルデジタル化のためのエンドツーエンドパイプラインである。 YOLOv8ベースのコンポーネント検出、CRAFT Hezarワードレベルのテキストローカライゼーション、手書きテキストや印刷テキストの認識のための微調整TrOCR、標準化されたフィールドへのセマンティックメタデータ構造化のためのGPT-4o Miniを統合している。
• 参考スコア（独自算出の注目度）: 2.3991879782778853
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digitized herbarium collections, now comprising over 100 million freely accessible specimen images, have become a critical resource for addressing fundamental questions in ecology and evolutionary biology. Yet the rich metadata encoded in herbarium labels (collector identities, geographic localities, collection dates, and ecological observations) remains largely inaccessible at scale, constraining both biodiversity informatics and the construction of specimen-specific image-text corpora for multimodal AI. We present HERBIOME, a modular end-to-end pipeline for automated herbarium label digitization, integrating YOLOv8-based component detection, CRAFT Hezar word-level text localization, fine-tuned TrOCR for recognition of mixed handwritten and printed text, and GPT-4o Mini for semantic metadata structuring into standardized fields. TrOCR was trained on a multi-source dataset combining general transcription corpora (CREMMA-AN, PictoCatalogs) with herbarium-specific data (RéColNat), achieving a Character Error Rate of 4.05-4.10%. End-to-end evaluation on 450 French herbarium specimens, using a dual-metric framework of Maximum Window Similarity (MWS: 0.614-0.618) and Semantic Metadata Accuracy (SMA: 0.440-0.445), reveals that hybrid training strategies improve semantic fidelity while random sampling maximizes surface similarity, with taxonomic fields remaining the principal bottleneck. By automating the extraction of structured metadata from complex, heterogeneous labels, HERBIOME reduces transcription burden, enables the construction of paired image-text datasets that faithfully capture specimen individuality, which is a prerequisite for next-generation multimodal biodiversity AI systems.
• Abstract（参考訳）: 現在では1億枚以上の自由アクセス可能な標本画像で構成されている除草ハーバリウムコレクションは、生態学や進化生物学の基本的な問題に対処するための重要な資源となっている。 しかし、ハーバリウムラベルにエンコードされる豊富なメタデータ(コレクターのアイデンティティ、地理的な地域、収集日、生態学的観察)は、生物多様性情報学と、マルチモーダルAIのための標本固有の画像テキストコーパスの構築の両方を制限し、大規模にはアクセスできないままである。 提案するHERBIOMEは,ヘビリウムラベルの自動デジタル化,YOLOv8に基づくコンポーネント検出,CRAFTヘザー語レベルのテキストローカライゼーション,手書きテキストと印刷テキストの混在認識のための微調整TrOCR,標準化されたフィールドへのセマンティックメタデータ構造化のためのGPT-4o Miniのモジュールエンド・ツー・エンドパイプラインである。 TrOCRは、一般的な転写コーパス(CREMMA-AN, PictoCatalogs)とハーバリウム固有のデータ(RéColNat)を組み合わせたマルチソースデータセットでトレーニングされ、キャラクタエラーレートは4.05-4.10%に達した。 最大窓類似度(MWS: 0.614-0.618)とセマンティックメタデータ正確度(SMA: 0.440-0.445)の2次元フレームワークを用いた450種のフランスのハーバリウム標本のエンドツーエンド評価により、ランダムサンプリングが表面類似度を最大化しながら、ハイブリッドトレーニング戦略がセマンティックフィデリティを改善することが判明した。 複雑な異種ラベルからの構造化メタデータの抽出を自動化することで、HERBIOMEは転写負担を低減し、次世代のマルチモーダル生物多様性AIシステムにおいて必須の、標本の個人性を忠実にキャプチャするペア画像テキストデータセットの構築を可能にする。

関連論文リスト

• Million-scale multimodal pollen microscopy with expert-guided foundation models [0.0]
  Pollen AI Atlasは100万スケールのマルチモーダル花粉顕微鏡リソースである。 1,511,390 は、専門家が計算した試験領域で99.6%の精度で穀物検出を行った。 Gemma4は最も制御された一次キャプションセットを提供し、タイトな長さ制御、リークなし、最強のテキスト検索性能を組み合わせた。
  論文  参考訳（メタデータ） (2026-06-16T11:35:27Z)
• EmbGen: Teaching with Reassembled Corpora [0.300988853836121]
  コーパスをエンティティ記述ペアに分解する合成データ生成パイプラインであるEmbGenを紹介する。 EmbGen を EntiGraph,InstructLab,Knowledge-Instruct に対して,多種多様な意味的不均一性のデータセット上で評価する。
  論文  参考訳（メタデータ） (2026-05-19T05:40:12Z)
• RANGER: Sparsely-Gated Mixture-of-Experts with Adaptive Retrieval Re-ranking for Pathology Report Generation [5.081261104622565]
  RANGER (Ranger) は、病理報告生成のための適応的検索を再度ランク付けした、疎結合なMixture-of-Experts (MoE) フレームワークである。 我々は、標準自然言語生成指標における既存のアプローチに対する一貫した改善を実証する。 我々の完全なRANGERモデルは、PathTextデータセット上で最適な性能を達成し、それぞれ0.4598、0.3044、0.2036、0.1435のBLEU-1からBLEU-4のスコアに達した。
  論文  参考訳（メタデータ） (2026-03-04T18:12:31Z)
• MergeDNA: Context-aware Genome Modeling with Dynamic Tokenization through Token Merging [65.07273789940116]
  本稿では,動的ゲノミクストークンと潜在トランスフォーマーをコンテキスト対応事前学習タスクで協調的に最適化する階層型アーキテクチャを提案する。 MergeDNAは3つの人気のあるDNAベンチマークと、微調整やゼロショット評価を伴う複数のマルチオミクスタスクにおいて優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-11-17T19:27:41Z)
• AutoMalDesc: Large-Scale Script Analysis for Cyber Threat Research [81.04845910798387]
  脅威検出のための自然言語の説明を生成することは、サイバーセキュリティ研究において未解決の問題である。 本稿では,大規模に独立して動作する自動静的解析要約フレームワークAutoMalDescを紹介する。 アノテーション付きシード(0.9K)データセットや方法論,評価フレームワークなど,100万以上のスクリプトサンプルの完全なデータセットを公開しています。
  論文  参考訳（メタデータ） (2025-11-17T13:05:25Z)
• HySemRAG: A Hybrid Semantic Retrieval-Augmented Generation Framework for Automated Literature Synthesis and Methodological Gap Analysis [55.2480439325792]
  HySemRAGは、Extract, Transform, Load (ETL)パイプラインとRetrieval-Augmented Generation (RAG)を組み合わせたフレームワークである。 システムは、マルチ層アプローチを通じて既存のRAGアーキテクチャの制限に対処する。
  論文  参考訳（メタデータ） (2025-08-01T20:30:42Z)
• Hespi: A pipeline for automatically detecting information from hebarium specimen sheets [6.749750044497731]
  Hespiはハーバリウム標本の一次標本ラベルから前白内障データを抽出する。 ラベルを印刷、タイプ、手書き、または混合に分類する。 Hespiは、国際草原の標本シートからテキストを正確に検出し、抽出する。
  論文  参考訳（メタデータ） (2024-10-11T11:59:40Z)
• Improving Text Embeddings with Large Language Models [59.930513259982725]
  合成データと1k以下のトレーニングステップのみを用いて,高品質なテキスト埋め込みを実現するための,新しい簡易な手法を提案する。 我々は、93言語にまたがる数十万のテキスト埋め込みタスクのための多様な合成データを生成するために、プロプライエタリなLLMを活用している。 実験により,ラベル付きデータを使わずに,高度に競争力のあるテキスト埋め込みベンチマークにおいて高い性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-12-31T02:13:18Z)
• Relation Extraction in underexplored biomedical domains: A diversity-optimised sampling and synthetic data generation approach [0.0]
  ラベル付きデータの空間性は関係抽出モデルの開発に障害となる。 我々は、最初のキュレートされた評価データセットを作成し、LOTUSデータベースから文献項目を抽出し、トレーニングセットを構築する。 我々は,オープンな大規模言語モデルを用いた生成タスクと数ショット学習として,標準微調整の性能を評価する。
  論文  参考訳（メタデータ） (2023-11-10T19:36:00Z)
• Generating More Pertinent Captions by Leveraging Semantics and Style on Multi-Source Datasets [56.018551958004814]
  本稿では,データソースの非一様結合をトレーニングすることで,流動的な記述を生成するタスクに対処する。 ノイズの多い画像とテキストのペアを持つ大規模データセットは、サブ最適の監視源を提供する。 本稿では,検索コンポーネントから抽出したスタイルトークンとキーワードを組み込むことにより,セマンティクスと記述スタイルを活用・分離することを提案する。
  論文  参考訳（メタデータ） (2021-11-24T19:00:05Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。