Feb, 2023

使用深度学习集合和数据增强多视图进行化石图像识别

HTML
PDF
TL;DR本研究提出了一种集成多视图和软投票的深度学习多模型框架OGS，用于化石图像的识别和分类，实验结果表明，相对于使用单个基础模型的基线方法，OGS使用三个基础模型始终表现更好，并且通过与两位人类专家的一致性测试证明其高效性。
发现论文，激发创造
  • 一种用于相机陷阱图像物种识别和计数的深度主动学习系统

    本文提出了一种结合人工智能和人类智能的主动学习系统，能够快速准确地对相机陷阱图像中的动物进行识别和计数，可将手动标注的工作量减少了99.5%以上。

    Oct, 2019

  • 基于可变自编码器的罗马陶片无监督聚类

    使用人工智能技术和图像分析方法，针对罗马普通陶器碎片的分类问题，提出了一个基于深度卷积VAE网络的非线性特征聚类模型，并创建了一个罗马普通陶器数据库，为不同社区的进一步研究提供了新的思路。

    Mar, 2022

  • 通过模型编辑提高数据有效性化石分割

    使用模型编辑技术和领域知识来提高少数标记图像的化石图像分割，可以在没有额外标记数据的情况下改善不同类型化石的混淆。

    Oct, 2022

  • ForamViT-GAN：探索深度学习在微古生物图像分析中的新范式

    该研究提出了一种新的深度学习流程，将分层视觉变换器与基于风格的生成对抗网络算法相结合，可以更高效地获取和合成微古生物的高分辨率标记数据。该工作流展示了一种深度学习的可能性，优化了微古生物学研究和其他基于视觉的地质分析。

    Apr, 2023

  • 中世纪宪章的高效标注

    本文提出了一种基于目标检测的有效和高效的特许证书分割标注方法，相较与像素级别分割方法，该方法可更有效地利用古文书专家的时间，并在某些情况下取得了更好的结果。同时，通过利用图像中的校准卡来标注物理尺寸，还训练了回归神经网络来预测其图像补丁。本文的实验还揭示了如何设计一个类本体以充分利用标注人员的时间和精力。

    Jun, 2023

  • 利用合成数据生成和基于Transformer的模型提升古籍文档中的物体检测

    通过降低虚假阳性和提高精确度的方法，我们在古代文献中增强了物体检测，并通过计算转换生成合成数据集，将视觉特征提取与物体检测过程相结合，进一步关联物体与其组成部分，并引入视觉特征图，从而深入分析和促进了有价值的历史文物，给古文字学领域带来了深远影响。

    Jul, 2023

  • AutArch: 考古目录中物体检测和自动记录的AI辅助工作流

    通过人工智能的对象检测神经网络技术，在考古学目录中快速、自动和标准化地收集数据，同时记录几何整体轮廓。

    Nov, 2023

  • 利用水下摄影测量技术进行印度-太平洋珊瑚状况的多标签分类的深度学习

    本研究构建了一个包含超过20,000张高分辨率珊瑚图像的数据集，使用了七个深度学习架构并提出了一种新的多标签方法，能够准确分类珊瑚状况和提取生态信息，进而为珊瑚图像档案的开发、指导保育活动以及对礁区管理者和保育人员的决策提供参考。该方法在数据集上表现出优越的性能，并展示了业界最先进技术 (State-Of-The-Art)。未来的研究应提高其适用性和准确性，以支持全球珊瑚保育工作。

    Mar, 2024

  • 基于人工智能的化石鲨鱼牙齿识别：释放卷积神经网络的潜力

    展示深度学习技术如何帮助识别孤立化石鲨鱼牙齿，为开发自动化化石识别和分类的新信息工具铺平道路。

    May, 2024

  • 利用大型语言模型减轻岩石记录中的解释偏差：来自古环境分析的见解

    借助大型语言模型（LLMs）的改进方法，通过生成和评估多个假设来降低解释偏见，从而提高地质分析的准确性和可靠性，并显著改进古环境研究，扩展地球科学的应用领域。

    May, 2024