Efficient Unsupervised Learning for Plankton Images

要約

その場でプランクトンの個体数を監視することは、水生生態系を維持するための基本です。
プランクトン微生物は、実際にはマイナーな環境摂動の影響を受けやすく、結果として生じる形態学的および動的な変更に反映される可能性があります。
今日では、高度な自動または半自動取得シス​​テムの可用性により、ますます大量のプランクトン画像データの生成が可能になっています。
このようなデータを分類するための機械学習アルゴリズムの採用は、膨大な量の取得データと多数のプランクトン種の両方による、手動注釈の多大なコストの影響を受ける可能性があります。
これらの課題に対処するために、プランクトン微生物の正確な分類を提供する効率的な教師なし学習パイプラインを提案します。
2 段階の手順を利用して、画像記述子のセットを構築します。
まず、Variational Autoencoder (VAE) が、事前トレーニング済みのニューラル ネットワークによって抽出された特徴でトレーニングされます。
次に、学習した潜在空間をクラスタリングの画像記述子として使用します。
私たちの方法を、プランクトン画像のクラスタリングに一連の事前定義された手作りの特徴が使用される最先端の教師なしアプローチと比較します。
提案されたパイプラインは、分析に含まれるすべてのプランクトン データセットのベンチマーク アルゴリズムを上回り、より優れた画像埋め込み特性を提供します。

要約(オリジナル)

Monitoring plankton populations in situ is fundamental to preserve the aquatic ecosystem. Plankton microorganisms are in fact susceptible of minor environmental perturbations, that can reflect into consequent morphological and dynamical modifications. Nowadays, the availability of advanced automatic or semi-automatic acquisition systems has been allowing the production of an increasingly large amount of plankton image data. The adoption of machine learning algorithms to classify such data may be affected by the significant cost of manual annotation, due to both the huge quantity of acquired data and the numerosity of plankton species. To address these challenges, we propose an efficient unsupervised learning pipeline to provide accurate classification of plankton microorganisms. We build a set of image descriptors exploiting a two-step procedure. First, a Variational Autoencoder (VAE) is trained on features extracted by a pre-trained neural network. We then use the learnt latent space as image descriptor for clustering. We compare our method with state-of-the-art unsupervised approaches, where a set of pre-defined hand-crafted features is used for clustering of plankton images. The proposed pipeline outperforms the benchmark algorithms for all the plankton datasets included in our analysis, providing better image embedding properties.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google