Improvement of Semi-Automatic Image Classification for Plankton Research using Machine Learning
This cumulative dissertation is concerned with investigating and developing approaches aimed at enhancing the efficiency and precision of image classification in the domain of biological oceanography.
The first publication investigates a low-shot learning approach tailored for plankton image data. This research uses a low-shot technique called "weight imprinting" to address the constraints posed by limited training data. Due to its quick retraining capabilities, this approach holds potential for evolving datasets and adding new classes efficiently.
The second publication introduces MorphoCluster, a novel image annotation tool designed to address the limitations of traditional classifier-based annotation approaches. Through unsupervised clustering and similarity search mechanisms, MorphoCluster enables rapid computer-assisted image classification. We demonstrate its effectiveness using a example data set of 1.2 million plankton images.
The third publication assesses feature extractors and clustering algorithms within the MorphoCluster framework using simulated user behavior. Exploring various training regimes and algorithmic choices, this research evaluates supervised, self-supervised, and transfer representation learning approaches. Additionally, two novel clustering algorithms are introduced and compared against established methods, shedding light on their effectiveness in the context of image annotation.
Collectively, these articles test proven approaches and contribute novel methodologies and comprehensive assessments aimed at enhancing image annotation in biological oceanography. The findings offer potential for improving efficiency and accuracy in image classification and, thereby, facilitating more accurate and more comprehensive analyses in the study of marine ecosystems.
Diese kumulative Dissertation untersucht Ansätze zur Steigerung der Effizienz und Präzision von Bildklassifizierungen in der biologischen Ozeanographie.
Die erste Veröffentlichung befasst sich mit einem Low-Shot-Lernansatz, der auf Plankton-Bilddaten zugeschnitten ist. Diese Forschungsarbeit nutzt eine Low-Shot-Technik, „weight imprinting“, um Beschränkungen durch begrenzte Trainingsdaten zu kompensieren. Dank schneller Trainierbarkeit bietet dieser Ansatz die Möglichkeit, Datensätze zu erweitern und neue Klassen effizient hinzuzufügen.
Die zweite Veröffentlichung stellt MorphoCluster vor, ein neuartiges Werkzeug zur Bildannotation, das die Grenzen klassifikatorbasierter Methoden überwinden soll. Durch unüberwachtes Clustering und Ähnlichkeitssuche ermöglicht MorphoCluster eine schnelle computergestützte Bildklassifizierung. Die Effektivität wird an einem Datensatz mit 1,2 Millionen Planktonbildern demonstriert.
In der dritten Veröffentlichung werden die für MorphoCluster genutzten Merkmalsextraktoren und Clustering-Algorithmen anhand simulierten Nutzerverhaltens analysiert. Dabei werden überwachte, selbstüberwachte und Transfer-Lernmethoden evaluiert. Zwei neue Clustering-Algorithmen werden eingeführt und mit etablierten Verfahren verglichen, um ihre Effektivität im Kontext der Bildannotation zu bewerten.
Zusammen zeigen und bewerten diese Studien bewährte sowie neu entwickelte Methoden zur Optimierung der Bildklassifikation in der biologischen Ozeanographie. Die Ergebnisse bieten das Potenzial, die Effizienz und Genauigkeit der Bildanalyse zu verbessern, wodurch genauere und umfassendere Einblicke in marine Ökosysteme möglich werden.
Vorschau
Rechte
Nutzung und Vervielfältigung:
Keine Lizenz. Es gelten die Bestimmungen des deutschen Urheberrechts (UrhG).
Bitte beachten Sie, dass einzelne Bestandteile der Publikation anderweitigen Lizenz- bzw. urheberrechtlichen Bedingungen unterliegen können.