Re-Identification of Zebrafish Using Metric Learning
Authors
Karpova, Anastasija ; Haurum, Joakim Bruslund
Term
4. term
Publication year
2018
Pages
100
Abstract
Denne afhandling undersøger, om individuelle zebrafisk (Danio rerio) kan genidentificeres mere enkelt og dataeffektivt end tidligere metoder. Genidentifikation betyder her at genkende den samme fisk på tværs af billeder eller over tid. Zebrafisk er vigtige i lægemiddeludvikling og biologisk forskning, men de bedste eksisterende metoder bruger typisk top-view og gråtoner og kræver store mængder data. Vi afprøver i stedet side-view og farvebilleder med minimal forbehandling. Inspireret af person-genidentifikation tester vi to egenskabsbeskrivelser (numeriske sammendrag af farve og tekstur) sammen med fem algoritmer, der lærer et afstandsmål (metric learning). Vi undersøger også, hvor meget farve og tekstur hver især bidrager. Forsøgene blev udført i scenarier med to og med tre fisk, hver for sig. Resultaterne viser, at når man evaluerer på de samme individer, kan man opnå en mean average precision (mAP) på 100 %, og ved test på nye, ikke tidligere sete individer opnås op til 89,40 % mAP. Selv når træningen sker på korte sekvenser på højst 50 billeder (frames), holder metoderne antallet af identitetsskift—dvs. forvekslinger mellem fisk—nede på 0–2 %. Tilgangen virker lovende og peger på potentiale for enklere opsætninger og mindre databehov i fremtidigt arbejde.
This thesis investigates whether individual zebrafish (Danio rerio) can be re-identified in a simpler, more data-efficient way than existing methods. Re-identification here means recognizing the same fish across images or over time. Zebrafish are widely used in drug development and biology, yet the strongest current methods typically rely on top-view, grayscale images and large amounts of data. We instead test side-view, color images with minimal preprocessing. Drawing on person re-identification, we evaluate two feature descriptors (numerical summaries of color and texture) together with five metric learning algorithms that learn a similarity measure. We also examine how much color and texture each contribute. Experiments were run in setups with two and with three fish, separately. Results show that, when evaluating on the same individuals, mean average precision (mAP) reaches 100%, and on previously unseen individuals, mAP reaches up to 89.40%. Even when training on short sequences of up to 50 frames (images), the methods keep identity switches—mistaken swaps between fish—down to 0–2%. This approach appears promising and suggests potential for simpler setups and lower data requirements in future work.
[This abstract was generated with the help of AI]
Keywords
Documents