Fugu-MT 論文翻訳(概要): Effects of model architecture and learning strategies on deep learning-based recognition of activated sludge microscopic images and comparison with quantitative image analysis

論文の概要: Effects of model architecture and learning strategies on deep learning-based recognition of activated sludge microscopic images and comparison with quantitative image analysis

arxiv url: http://arxiv.org/abs/2609.08570v1
Date: Tue, 08 Sep 2026 10:58:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-11 20:41:06.220876
Title: Effects of model architecture and learning strategies on deep learning-based recognition of activated sludge microscopic images and comparison with quantitative image analysis
Title（参考訳）: モデルアーキテクチャと学習戦略が活性汚泥顕微鏡画像の深層学習に基づく認識に及ぼす影響と定量的画像解析との比較
Abstract要約: 本研究では, 活性汚泥の微視的画像解析において, モデル構造と学習戦略が性能に与える影響について検討した。ディープラーニングに基づく画像解析は、高い性能のため、この分野ではますます採用されている。以上の結果から,トランスフォーマーに基づくアーキテクチャと代替事前学習手法が,分類精度の面で有効であることが示唆された。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Microscopic image analysis has long been recognized as a promising approach for monitoring activated sludge. In recent years, deep learning-based image analysis has been increasingly adopted in this field because of its high performance. However, previous studies on microscopic image analysis of activated sludge have rarely explored transformer-based models or self-supervised foundation models and have instead relied on CNNs and supervised ImageNet pretraining. In addition, previous studies often downsampled image sizes, but the effects of downsampling have not been sufficiently investigated, and the relationship between downsampling strategies and image analysis performance remains unclear. Furthermore, no study has quantitatively compared deep learning performance with quantitative image analysis (QIA), which was widely used before the emergence of deep learning. In this study, to examine how model architecture and learning strategies affect performance in microscopic image analysis of activated sludge and to quantitatively determine whether deep learning outperforms QIA, we prepared three types of activated sludge samples, classified their microscopic images, and evaluated classification accuracy. Our results showed that transformer-based architectures and alternative pretraining methods were effective in terms of classification accuracy. Our downsampling analysis showed that using overly small images reduced accuracy, but increasing image size beyond a certain point did not improve it further. In addition, the analysis indicated that, to achieve high classification accuracy, maintaining the field of view was a more effective downsampling strategy than maintaining resolution. Finally, our comparison between deep learning and QIA showed that deep learning outperformed QIA in terms of accuracy.
Abstract（参考訳）: 顕微鏡画像解析は, 活性汚泥のモニタリングに有望なアプローチとして, 長年にわたって認識されてきた。近年,この分野でのディープラーニングに基づく画像解析が採用されているのは,その高性能さからである。しかし、活性化汚泥の顕微鏡画像解析に関する以前の研究では、トランスフォーマーモデルや自己監督基盤モデルの研究はめったに行われず、代わりにCNNやイメージネットの事前訓練に頼っていた。また, 以前の研究では画像サイズが低下することが多かったが, ダウンサンプリングの効果は十分に調査されておらず, ダウンサンプリング戦略と画像解析性能の関係は明らかでない。さらに、ディープラーニングの出現以前に広く用いられた定量的画像解析(QIA)と、ディープラーニングの性能を定量的に比較した研究はない。本研究では,活性化汚泥の微視的画像解析において,モデルアーキテクチャと学習戦略が性能に与える影響について検討し,深層学習がQIAより優れているかどうかを定量的に判定するために,3種類の活性汚泥試料を作成し,顕微鏡画像の分類を行い,分類精度を評価した。以上の結果から,トランスフォーマーに基づくアーキテクチャと代替事前学習手法が,分類精度の面で有効であることが示唆された。我々のダウンサンプリング分析では、過度に小さな画像を使用することで精度は低下するが、特定の点を超える画像サイズの増加は改善しなかった。さらに, 高い分類精度を達成するため, 視野の維持は, 解像度の維持よりも効果的なダウンサンプリング戦略であることが示唆された。最後に, 深層学習とQIAを比較した結果, 深層学習の精度はQIAよりも優れていた。

関連論文リスト

Efficient Semi-Automated Material Microstructure Analysis Using Deep Learning: A Case Study in Additive Manufacturing [0.0]
本稿では,U-Netに基づく畳み込みニューラルネットワークと対話型ユーザアノテーションと修正インタフェースを統合した,半自動能動学習に基づくセグメンテーションを提案する。提案フレームワークは,スケーラビリティとロバスト性を維持しながらラベリングの労力を削減し,多様な材料システムにまたがる画像解析に広く適用可能である。
論文参考訳（メタデータ） (2026-03-14T08:28:00Z)
Systematic Characterization of Minimal Deep Learning Architectures: A Unified Analysis of Convergence, Pruning, and Quantization [6.49583548940407]
ディープラーニングネットワークは分類が優れているが、タスクを確実に解決する最小限のアーキテクチャを特定することは依然として難しい。本稿では,コンバージェンス,プルーニング,量子化の関係を探索し,解析するための計算手法を提案する。私たちの最初の結果は、アーキテクチャの多様性にもかかわらず、パフォーマンスはほとんど不変であり、学習力学は、不安定、学習、過剰適合の3つの条件を一貫して示していることを示している。
論文参考訳（メタデータ） (2026-01-25T20:31:10Z)
Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
論文参考訳（メタデータ） (2026-01-25T07:09:20Z)
Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文参考訳（メタデータ） (2024-11-28T13:04:45Z)
Beneath the Surface: The Role of Underwater Image Enhancement in Object Detection [1.7933377464816112]
本研究の目的は、最先端の画像強調モデルの評価、水中物体検出への影響調査、検出性能向上の可能性を探ることである。本研究は、画像強調が検出性能を向上させる可能性を示し、研究者がデータセットレベルではなく、個々の画像レベルでの検出に対する強調の効果をさらに探求するための貴重な洞察を提供するものである。
論文参考訳（メタデータ） (2024-11-21T22:59:15Z)
On the exploitation of DCT statistics for cropping detectors [5.039808715733204]
本研究では,DCT統計を用いた画像分解能分類器について検討し,画像の本来の分解能を検出することを目的とした。その結果, 収穫画像と収穫画像の区別における分類器の信頼性が示され, 元の分解能の信頼性が評価された。この研究は、複数の領域にわたる画像解析と使用法を変換する可能性を持つ、この分野における新しい視点を開放する。
論文参考訳（メタデータ） (2024-03-21T19:05:31Z)
Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。提案手法は平均精度(MAP)を約45.7%向上させる。この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文参考訳（メタデータ） (2023-11-21T19:49:13Z)
Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。分析するデータには教師なし学習モデルが必要です。
論文参考訳（メタデータ） (2023-04-19T13:45:28Z)
Deep Learning-Based Defect Classification and Detection in SEM Images [1.9206693386750882]
特に、異なるResNet、VGGNetアーキテクチャをバックボーンとして使用するRetinaNetモデルをトレーニングする。そこで本研究では,異なるモデルからの出力予測を組み合わせることで,欠陥の分類と検出に優れた性能を実現するための選好に基づくアンサンブル戦略を提案する。
論文参考訳（メタデータ） (2022-06-20T16:34:11Z)
On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文参考訳（メタデータ） (2021-06-25T08:32:45Z)
Deep Image Destruction: A Comprehensive Study on Vulnerability of Deep Image-to-Image Models against Adversarial Attacks [104.8737334237993]
本稿では,敵対的攻撃に対する深部画像対画像モデルの脆弱性に関する包括的調査を行う。一般的な5つの画像処理タスクでは、さまざまな観点から16の深いモデルが分析される。画像分類タスクとは異なり、画像間タスクの性能劣化は様々な要因によって大きく異なることが示される。
論文参考訳（メタデータ） (2021-04-30T14:20:33Z)

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。