文献

J-GLOBAL ID：202202291577119933   整理番号：22A1180385

動的最適化と適応サイクルによる自動プランクトン分類【JST・京大機械翻訳】

Automated Plankton Classification With a Dynamic Optimization and Adaptation Cycle

著者 (5件)： Conradt Jan (1Institute of Marine Ecosystem and Fisheries Science (IMF), Center for Earth System Research and Sustainability (CEN), Hamburg University, Hamburg, Germany) ,  Borner Gregor (1Institute of Marine Ecosystem and Fisheries Science (IMF), Center for Earth System Research and Sustainability (CEN), Hamburg University, Hamburg, Germany) ,  Lopez-Urrutia Angel (2Centro Oceanografico de Gijon/Xixon, Instituto Espanol de Oceanografia, Gijon, Spain) ,  Mollmann Christian (1Institute of Marine Ecosystem and Fisheries Science (IMF), Center for Earth System Research and Sustainability (CEN), Hamburg University, Hamburg, Germany) ,  Moyano Marta (3Department of Natural Sciences, Center for Coastal Research, Universitet i Agder, Kristiansand, Norway)
資料名： Frontiers in Marine Science (Web)  (Frontiers in Marine Science (Web))
巻： 9  ページ： 868420  発行年： 2022年 
JST資料番号： U7076A  ISSN： 2296-7745  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 深層ニューラルネットワーク(DNN)に基づく機械学習技術における最近の進歩によって,自動プランクトン画像分類は,海洋生態学的科学の中でますます一般的になっている。しかし,最も先進的な方法は,日常画像の分類に関して人間レベルの性能を達成することができるが,プランクトン画像データは,しばしば最終マニュアル検証段階を必要とする特性を備えている。一方では,これは高いクラス内と低いクラス間変動で現れる形態学的特性に起因し,他方ではプランクトンコミュニティの構成と構造の空間的時間的変化による。構成変化は,新しいユーザ生成訓練データセットによる訓練による分類器モデルの頻繁な更新を強制する。ここでは,手動検証結果に基づく訓練データセットの自動更新により,モデル適応プロセスを体系化し,流線する処理パイプラインである動的最適化サイクル(DOC)を提示した。DOCパイプラインを用いた頻繁な適応は,より限られた適応方式と比較して,コミュニティ構成の精度,再現および予測に関して,性能の強い維持をもたらすことを見出した。したがって,DOCは,新しい場所または期間におけるプランクトンを分析するとき,特に有用であり,そこでは,コミュニティの違いが発生する可能性がある。DOCパイプラインの容易な実装を可能にするために,訓練画像の初期データセットと同様に,グラフィカルユーザインタフェイスによるエンドツーエンドアプリケーションを提供した。したがって,DOCパイプラインは,高スループットプランクトン分類と迅速および体系化モデル適応を可能にし,従って,高度加速プランクトン分析の手段を提供する。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： システム ,  データ ,  流線 ,  コミュニティ ,  *プランクトン ,  画像 ,  エンドツーエンド方式 ,  応用プログラム ,  GUI【計算機】 ,  機械学習 ,  モルフォロジー
準シソーラス用語： 訓練データ ,  画像分類 ,  ハイスループット ,  機械学習技術 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 機械学習 ,  深層ニューラルネットワーク ,  プランクトン群集 ,  分類 ,  モデル適応

分類 (3件)： 人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

引用文献 (75件)：

• Abadi M., Agarwal A., Barham P., Brevdo E., Chen Z., Citro C., et al. (2015). TensorFlow: Large-Scale Machine Learning. Available at: www.tensorflow.org (Accessed on 29th March, 2022).
• Al-Barazanchi H., Verma A., Wang S. X. (2018). Intelligent Plankton Image Classification With Deep Learning. Int. J. Comput. Vis. Robot. 8, 561-571. doi: doi: 10.1504/IJCVR.2018.095584
• Álvarez E., López-Urrutia Á., Nogueira E. (2012). Improvement of Plankton Biovolume Estimates Derived From Image-Based Automatic Sampling Devices: Application to FlowCam. J. Plankton Res. 34, 454-469. doi: doi: 10.1093/plankt/fbs017
• Álvarez E., Moyano M., López-Urrutia Á., Nogueira E., Scharek R. (2014). Routine Determination of Plankton Community Composition and Size Structure: A Comparison Between FlowCAM and Light Microscopy. J. Plankton Res. 36, 170-184. doi: doi: 10.1093/plankt/fbt069
• Anaconda Software Distribution (2020) Anaconda Documentation (Anaconda Inc). Available at: https://docs.anaconda.com/ (Accessed 5th July, 2020). doi: 10.1093/plankt/fbt069

タイトルに関連する用語 (5件)： 動的最適化 ,  適応 ,  サイクル ,  プランクトン ,  分類