Zoeken
Zoeken kan via de modus 'eenvoudig zoeken' (één veld) of uitgebreid via 'geavanceerd zoeken' (meerdere velden). Zo kan je bv. zoeken op een combinatie van een auteursnaam (auteur), een jaartal (jaar) en een documenttype.
Boekenmand
Nuttige resultaten kan je aanvinken en toevoegen aan een mandje. De inhoud hiervan kan je exporteren of afdrukken (naar bv. PDF).
RSS
Op de hoogte blijven van nieuw toegevoegde publicaties binnen uw interessegebied? Dit kan door een RSS-feed (?) te maken van jouw zoekopdracht.
nieuwe zoekopdracht
Annotation-free learning of plankton for classification and anomaly detection
Pastore, V.P.; Zimmerman, T.G.; Biswas, S.K.; Bianco, S. (2020). Annotation-free learning of plankton for classification and anomaly detection. NPG Scientific Reports 10(1): 15 pp. https://dx.doi.org/10.1038/s41598-020-68662-3
In: Scientific Reports (Nature Publishing Group). Nature Publishing Group: London. ISSN 2045-2322; e-ISSN 2045-2322
|   |
| Auteurs | | Top |
- Pastore, V.P.
- Zimmerman, T.G.
- Biswas, S.K.
- Bianco, S.
|
|
|
| Abstract |
The acquisition of increasingly large plankton digital image datasets requires automatic methods of recognition and classification. As data size and collection speed increases, manual annotation and database representation are often bottlenecks for utilization of machine learning algorithms for taxonomic classification of plankton species in field studies. In this paper we present a novel set of algorithms to perform accurate detection and classification of plankton species with minimal supervision. Our algorithms approach the performance of existing supervised machine learning algorithms when tested on a plankton dataset generated from a custom-built lensless digital device. Similar results are obtained on a larger image dataset obtained from the Woods Hole Oceanographic Institution. Additionally, we introduce a new algorithm to perform anomaly detection on unclassified samples. Here an anomaly is defined as a significant deviation from the established classification. Our algorithms are designed to provide a new way to monitor the environment with a class of rapid online intelligent detectors. |
IMIS is ontwikkeld en wordt gehost door het VLIZ.
