Towards Phytoplankton Parasite Detection Using Autoencoders

要約

植物プランクトンの寄生虫は、植物プランクトンのブルームダイナミクスに潜在的に重大な生態学的影響を与える微生物成分であり、ほとんど研究されていません。
それらの影響をよりよく理解するには、水生生態系の監視に植物プランクトン寄生虫の相互作用を統合するための改善された検出方法が必要です。
自動化された画像装置は通常、大量の植物プランクトン画像データを生成しますが、異常な植物プランクトン データの発生はまれです。
したがって、元のサンプルとオートエンコーダーで再構築されたサンプルの類似性に基づいて、教師なし異常検出システムを提案します。
このアプローチにより、9 つの植物プランクトン種で 0.75 の全体的な F1 スコアに到達することができました。これは、種固有の微調整によってさらに改善される可能性があります。
提案された教師なしアプローチは、教師付き Faster R-CNN ベースのオブジェクト検出器とさらに比較されました。
この監視されたアプローチと、プランクトンの種と異常でトレーニングされたモデルにより、0.86 という最高の F1 スコアに到達することができました。
ただし、教師なしアプローチは、未知の異常も検出でき、十分な量で常に利用できるとは限らない注釈付きの異常データを必要としないため、より普遍的であると予想されます。
他の研究では、非プランクトン粒子または気泡検出の観点からプランクトンの異常検出を扱ってきましたが、私たちの論文は、私たちの最善の知識によると、推定される植物プランクトンの寄生虫または感染を考慮した自動異常検出に焦点を当てた最初の論文です。

要約(オリジナル)

Phytoplankton parasites are largely understudied microbial components with a potentially significant ecological impact on phytoplankton bloom dynamics. To better understand their impact, we need improved detection methods to integrate phytoplankton parasite interactions in monitoring aquatic ecosystems. Automated imaging devices usually produce high amount of phytoplankton image data, while the occurrence of anomalous phytoplankton data is rare. Thus, we propose an unsupervised anomaly detection system based on the similarity of the original and autoencoder-reconstructed samples. With this approach, we were able to reach an overall F1 score of 0.75 in nine phytoplankton species, which could be further improved by species-specific fine-tuning. The proposed unsupervised approach was further compared with the supervised Faster R-CNN based object detector. With this supervised approach and the model trained on plankton species and anomalies, we were able to reach the highest F1 score of 0.86. However, the unsupervised approach is expected to be more universal as it can detect also unknown anomalies and it does not require any annotated anomalous data that may not be always available in sufficient quantities. Although other studies have dealt with plankton anomaly detection in terms of non-plankton particles, or air bubble detection, our paper is according to our best knowledge the first one which focuses on automated anomaly detection considering putative phytoplankton parasites or infections.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google