ABSTRACT
Photo identification is an important tool for estimating abundance and monitoring population trends over time. However, manually matching photographs to known individuals is time-consuming. Motivated by recent developments in image recognition, we hosted a data science challenge on the crowdsourcing platform Kaggle to automate the identification of endangered North Atlantic right whales (Eubalaena glacialis). The winning solution automatically identified individual whales with 87% accuracy with a series of convolutional neural networks to identify the region of interest on an image, rotate, crop, and create standardized photographs of uniform size and orientation and then identify the correct individual whale from these passport-like photographs. Recent advances in deep learning coupled with this fully automated workflow have yielded impressive results and have the potential to revolutionize traditional methods for the collection of data on the abundance and distribution of wild populations. Presenting these results to a broad audience should further bridge the gap between the data science and conservation science communities.
Aplicación del Aprendizaje Profundo a la Identificación Fotográfica de la Ballena Franca Resumen La identificación fotográfica es una herramienta importante para la estimación de la abundancia y el monitoreo de las tendencias poblacionales en el tiempo. Sin embargo, corresponder las fotografías con los individuos conocidos requiere de mucho tiempo. Motivados por los avances recientes en el reconocimiento de imágenes, decidimos acoger un reto de datos científicos en la plataforma de colaboración masiva Kaggle para automatizar la identificación de ballenas francas del Atlántico norte (Eubalaena glacialis), especie que se encuentra en peligro de extinción. La solución ganadora identificó automáticamente a las ballenas individuales con una certeza del 87% y con una serie de redes neurales convolucionales para identificar la región de interés en una imagen, rotar, recortar, y crear fotografías estandarizadas de tamaño y orientación uniforme y después identificar al individuo correcto a partir de estas fotografías tamaño pasaporte. Los avances recientes en el aprendizaje profundo acoplados a este flujo de trabajo completamente automatizado han producido resultados impresionantes y tienen el potencial para revolucionar los métodos tradicionales de recolección de datos de abundancia y distribución de las poblaciones silvestres. La presentación de estos resultados ante un público amplio debería reducir aún más el vacío que existe entre los datos científicos y las comunidades científicas para la conservación.
Subject(s)
Deep Learning , Whales , Animals , Conservation of Natural ResourcesABSTRACT
Anaphylaxis is defined as severe, life-threatening, systemic or general, immediate reaction of hypersensitivity, with repeatable symptoms caused by the dose of stimulus which is well tolerated by healthy persons. The proper diagnosis, immediate treatment and differential diagnosis are crucial for saving patient's life. However, anaphylaxis is relatively frequently misdiagnosed or confused with other clinical entities. Thus, there is a continuous need for identifying detectable markers improving the proper diagnosis of anaphylaxis. Here we presented currently known markers of anaphylaxis and discussed in more detail the most clinically valuable ones: tryptase, platelet activacting factor (PAF), PAF-acethylhydrolase, histamine and its metabolites.
