生成式浮游生物图像的多模态分类条件化
Multimodal Taxonomic Conditioning for Generative Plankton Imagery
查看机构详情
- University of Glasgow（格拉斯哥大学）
- National Defence University（国防大学）
机构由 AI 辅助整理，请以论文原文为准。
浏览论文内容
中文总结 AI 辅助
针对浮游生物成像数据长尾分布问题，提出以分类学为条件、结合CLIP编码器与扩散变换器生成合成图像的方法，提升稀有分类群分类可靠性。
中文摘要 AI 辅助
自动浮游生物成像产生严重长尾分布的数据集，其中最具生态意义的稀有分类群图像数量过少，无法可靠地训练或评估分类器。我们生成以分类学为条件的合成浮游生物图像：在大型浮游生物语料库上，采用扩展到深层、不规则分类学的排序对比目标来适配CLIP编码器，然后冻结该编码器以条件化参数高效的扩散变换器。我们在分布保真度和下游分类器效用方面评估合成样本质量。
英文摘要
Automated plankton imaging produces severely long-tailed datasets, where the rare taxa of greatest ecological interest have too few images to train or evaluate classifiers reliably. We generate synthetic plankton imagery conditioned on taxonomy: a CLIP encoder is adapted on a large plankton corpus with a ranked contrastive objective extended to deep, ragged taxonomies, then frozen to condition a parameter-efficient diffusion transformer. We evaluate synthetic sample quality on distributional fidelity and downstream classifier utility.
