オブジェクト検出,超高解像度GANおよびトランスフォーマーを組み合わせて,eTickプラットフォーム上のクラウドソーシング画像からタッチ識別ワークフローを容易にします
Étienne Clabaut1, Jérémie Bouffard2, Jade Savage2
1Département de Géomatique Appliquée, Université de Sherbrooke, Sherbrooke, QC J1K 2R1, Canada.
Insects
|August 28, 2025
まとめ
人工知能 (AI) パイプラインは,eTickプラットフォームに投稿された公開画像からタックの識別を自動化するために開発されました. AIは3クラスモデルで86%以上の精度を達成し,公衆衛生の監視を大幅に支援しました.
科学分野:
- 獣医学昆虫学
- コンピュータ科学
- 公衆衛生の監視
背景:
- の分布と数値の変化は 強力な監視手段を必要とします
- eTickのプラットフォームは,キツネの識別と公衆衛生に関するガイドラインをクラウドソーシングした画像を使用しています.
- eTickへの投稿量が増加するにつれて,リソースを節約するために自動化された画像処理が必要になります.
研究 の 目的:
- 端から端までの人工知能 (AI) パイプラインを評価し,ユーザが提出した画像から自動化されたタックの識別を行う.
- 異なるAIモデル (YOLOv7,RealESRGAN,SwinIR,ResNet-50,ViT) のタックの局所化,解像度強化,分類に関するパフォーマンスを評価する.
- eTickプラットフォームで効率的かつ正確なチックの識別のための最適なAI構成を決定します.
主な方法:
- YOLOv7を統合したAIパイプラインを開発しました.
- 超高解像度ネットワーク (RealESRGAN,SwinIR) を使って画像を改良した.
- 異なる分類細部 (12 級,6 級,3 級) のデータセットでディープラーニング分類器 (ResNet-50, ViT) を利用した.
主要な成果:
- ビジョン・トランスフォーマー (ViT) は,分類作業でResNet-50を一貫して上回りました.
- 超解像度のないオブジェクト検出を使用した最高の構成は,3クラスモデル (Dermacentor sp.,他の種,悪い画像) でマクロ平均F1スコアを86%以上達成しました.
- 最小限の重大な誤分類が観察された (『他の種』の0.7%がDermacentorとして誤分類された).
結論:
- 人工知能の方法は,コミュニティサイエンスのプラットフォームにおけるタック画像処理の効率と精度を大幅に高めることができます.
- 重要な区別に焦点を当てた低粒度AIモデル (例えば,Dermacentor) は,eTickの高い精度を維持しながら,かなりの時間を節約することができます.
- AIモデルの複雑性とクラス解像度を特定のタスクの制約に適応させることは,効果的な実装に不可欠です.
