Mar, 2023

采用自编码器进行浮游植物寄生虫检测

PDF
TL;DR本文介绍了一种基于自编码器的无监督异常检测系统，可应用于检测可能对浮游植物寄生或感染的异常现象，并与基于 Faster R-CNN 的有监督方法进行比较。该无监督方法具有更广泛的适用性，不需要注释的异常数据，并在 9 种浮游植物物种中达到 0.75 的 F1 得分。
phytoplankton parasitesanomaly detectionautoencoderfaster r-cnnaquatic ecosystems
发现论文，激发创造
  • 浮游生物图像的高效无监督学习

    本文提出了一种高效的无监督学习流程来提供准确的浮游生物分类，并比较其与现有技术，在所有数据集中性能更好，提供更好的图像嵌入特性。

    Sep, 2022

  • 自动浮游生物图像识别调查：挑战、现有解决方案和未来展望

    通过综述现有方案，本文讨论了浮游生物自动识别中最大的挑战，并提出新数据集中面临的难点以及解决方案，并指出仍存在的几大问题，如不同数据集之间的领域转移、未曾见过的类别的图像处理难度和专家注释的不确定性，这需要加以解决。

    May, 2023

  • 利用向量量化变分自编码器从遥感影像中进行弱监督海洋动物检测

    本文讨论了一种从海洋环境中的航空图像中进行弱监督动物检测的重建方法，该方法利用异常检测框架直接计算输入空间的度量，与特征嵌入方法相比具有更好的可解释性和异常定位能力，同时在处理嘈杂数据方面具有优势，提供了有价值的洞察力，推动了监测海洋生态系统并减缓人类活动对海洋动物的影响的发展。

    Jul, 2023

  • 基于深度学习的浮游生态数据分析

    深度学习方法在浮游生态学中的实施带来了新的视角，提供了一种客观的方案来研究不同环境中的浮游生物。它们包括图像的检测和分类、觅食和游泳行为分析以及生态模拟。深度学习有潜力加速分析并减少人类实验偏差，从而在具有改进可重复性的相关时间和空间尺度上支持数据获取。我们还讨论了其不足，并展示了深度学习架构如何发展来减少不精确的结果。最后，我们提出了深度学习特别可能促进浮游生物研究的机会，并提供了详细的教程和代码样本，使读者能够将本综述中描述的方法应用于自己的数据。

    Sep, 2023

  • 半监督水下图像目标检测算法

    利用变分自动编码器的半监督方法来检测水下无人潜水器收集的人工物体图像， 通过数据聚类和异常分数提取技术，能够大规模地识别感兴趣的物体的候选样本，并在未标记的数据集上实现了平均精度为 0.64 的识别

    Jun, 2023

  • PhyTracker：一种适用于浮游植物的在线跟踪器

    PhyTracker 是一种智能的现场追踪框架，旨在通过三个创新模块（纹理增强特征提取模块、注意力增强时间关联模块和流无关的运动细化模块）解决水中浮游植物监测的挑战，并经过广泛的实验验证了其在浮游植物跟踪方面的优越性。

    Jun, 2024

  • 使用对抗自编码器实现图像中的稳健异常检测

    研究了一种基于自编码器的图像异常检测方法，发现传统方法在训练时存在离群点时导致异常检测性能降低的问题，使用对抗自编码器引入先验分布可以较好地克服该问题。

    Jan, 2019

  • DAPlankton：多仪器浮游生物识别的基准数据集及精细领域适应

    浮游生物识别和域适应方法在不同成像仪器之间产生领域偏移，本研究提出了一个新的域适应数据集（DAPlankton）和三种常用域适应方法的基准比较。

    Feb, 2024

  • WHOI-Plankton - 一个大规模细粒度视觉识别基准数据集，用于浮游生物分类

    科学家们越来越多地使用基于成像的技术研究浮游生物，而 WHOI-Plankton 是一个大规模、细粒度的可视化识别数据集，包括了 70 类超过 340 万张的专家标记图像，用于通过传统方法和两种基于卷积神经网络的方法来进行自动分类，并讨论了相关的分类性能评估指标和结果。

    Oct, 2015

  • 高性能计算系统中的自编码器异常检测

    这篇文章提出了一种基于深度学习技术的自编码器，通过学习超级计算机节点的正常行为来检测异常条件，测试结果表明该方法能够在正常系统行为学习阶段后，以非常好的准确率（在 88％至 96％之间）检测出之前未曾见过的异常条件，因此具有广阔的应用前景。

    Nov, 2018