Separation of plankton images from nonplankton images based on deep learning (2024)
- Authors:
- Autor USP: MALLQUI, DIEGO MAURICIO MANSILLA - IME
- Unidade: IME
- Sigla do Departamento: MAC
- DOI: 10.11606/D.45.2024.tde-06012025-100449
- Subjects: APRENDIZAGEM PROFUNDA; APRENDIZADO COMPUTACIONAL; IMAGEM DIGITAL; PLÂNCTON; ECOSSISTEMAS OCEÂNICOS
- Keywords: Aprendizado por transferência; Aprendizado profundo; Classificação de imagens; Deep learning; Detritos; Detritus; Image classification; Plankton; Transfer learning
- Agências de fomento:
- Language: Inglês
- Abstract: Plâncton são organismos, principalmente de escala microscópica, que formam a base da cadeia alimentar marinha. Eles desempenham um papel crucial no ciclo do carbono. Identificar espécies de plâncton e sua distribuição é de grande importância na pesquisa sobre ecossistemas oceânicos. Tecnologias modernas de imagem estão permitindo a captura de grandes volumes de imagens subaquáticas. Apesar dos avanços nas técnicas de classificação de imagens, classificar imagens de plâncton continua desafiador. Os desafios incluem questões relacionadas à qualidade da imagem, incluindo resolução, iluminação, desfoque de movimento, desfoque focal, baixo contraste, entre outros. Outro desafio é a presença de partículas, como detritos, entre as imagens coletadas. Uma abordagem para simplificar a classificação de imagens de plâncton consistiria em primeiro remover todos os objetos não planctônicos da coleção de imagens, a fim de facilitar a tarefa de reconhecer espécies de plâncton. O objetivo deste trabalho é desenvolver métodos baseados em aprendizado profundo para separar imagens de objetos não planctônicos daqueles capturados com a intenção de reconhecer espécies de plâncton. Para tanto, utilizamos um conjunto de imagens fornecido pelo Instituto Oceanográfico da USP, contendo 56.702 imagens de 75 classes, incluindo as classes detrito, bolha e sombra. Cinco arquiteturas distintas de redes neurais convolucionais (CNN) foram treinadas para realizar a separação plâncton/não-plâncton. Uma precisãode aproximadamente 95% foi alcançada por todos os modelos, o que nos levou a investigar também os motivos que impedem esses classificadores de ultrapassar esse nível. Uma análise criteriosa dos resultados fornece evidências de que a ambiguidade visual intrínseca das imagens devido à sua baixa qualidade, especialmente de imagens borradas, é um dos principais fatores que limitam a precisão da separação a 95%. A análise também indica que uma maneira mais promissora de melhorar a separação plâncton/não-plâncton pode ser considerar uma terceira classe, ou seja, plâncton/não-plâncton/ambíguo, a fim de estimular pesquisas voltadas para um melhor manuseio dessas imagens ambíguas
- Imprenta:
- Data da defesa: 07.11.2024
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
MALLQUI, Diego Mauricio Mansilla. Separation of plankton images from nonplankton images based on deep learning. 2024. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-06012025-100449/. Acesso em: 09 jan. 2026. -
APA
Mallqui, D. M. M. (2024). Separation of plankton images from nonplankton images based on deep learning (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/45/45134/tde-06012025-100449/ -
NLM
Mallqui DMM. Separation of plankton images from nonplankton images based on deep learning [Internet]. 2024 ;[citado 2026 jan. 09 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-06012025-100449/ -
Vancouver
Mallqui DMM. Separation of plankton images from nonplankton images based on deep learning [Internet]. 2024 ;[citado 2026 jan. 09 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-06012025-100449/
Informações sobre o DOI: 10.11606/D.45.2024.tde-06012025-100449 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
