論文の概要: Fine-grained Species Recognition with Privileged Pooling: Better Sample Efficiency Through Supervised Attention

• arxiv url: http://arxiv.org/abs/2003.09168v4
• Date: Fri, 4 Aug 2023 14:53:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-07 16:56:48.328044
• Title: Fine-grained Species Recognition with Privileged Pooling: Better Sample Efficiency Through Supervised Attention
• Title（参考訳）: 特権プールを用いた細粒度種識別--教師付き注意によるサンプル効率の向上
• Authors: Andres C. Rodriguez, Stefano D'Aronco, Konrad Schindler and Jan Dirk Wegner
• Abstract要約: トレーニングデータに対するキーポイントアノテーションの形式で特権情報を利用する教師付き画像分類手法を提案する。 我々の主な動機は、生物多様性モデリングのような生態学的応用のための動物種の認識である。 3つの異なる動物種のデータセットを用いた実験では、特権プールを持つ深層ネットワークがより効率的に小さなトレーニングセットを利用でき、より一般化できることが示されている。
• 参考スコア（独自算出の注目度）: 26.136331738529243
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a scheme for supervised image classification that uses privileged information, in the form of keypoint annotations for the training data, to learn strong models from small and/or biased training sets. Our main motivation is the recognition of animal species for ecological applications such as biodiversity modelling, which is challenging because of long-tailed species distributions due to rare species, and strong dataset biases such as repetitive scene background in camera traps. To counteract these challenges, we propose a visual attention mechanism that is supervised via keypoint annotations that highlight important object parts. This privileged information, implemented as a novel privileged pooling operation, is only required during training and helps the model to focus on regions that are discriminative. In experiments with three different animal species datasets, we show that deep networks with privileged pooling can use small training sets more efficiently and generalize better.
• Abstract（参考訳）: 本稿では,訓練データに対するキーポイントアノテーションという形で,特権情報を用いた教師付き画像分類手法を提案する。 私たちの主な動機は生物多様性モデリングのような生態学的応用に対する動物種の認識であり、これはレアな種による長い尾の種分布と、カメラトラップにおける繰り返しシーン背景のような強いデータセットバイアスのために困難である。 これらの課題に対処するために,キーポイントアノテーションを用いて視覚的に注意を喚起する機構を提案する。 この特権情報は、新しい特権プーリング操作として実装され、トレーニング中にのみ必要であり、モデルが識別可能な領域に集中するのに役立つ。 3つの異なる動物種データセットを用いた実験で、特権プールを持つディープネットワークがより効率的に、より一般化できることを示した。

関連論文リスト

• Granularity Matters in Long-Tail Learning [62.30734737735273]
  より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。 既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。 補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
  論文  参考訳（メタデータ） (2024-10-21T13:06:21Z)
• Detecting Endangered Marine Species in Autonomous Underwater Vehicle Imagery Using Point Annotations and Few-Shot Learning [5.439798554380394]
  AUV(Autonomous Underwater Vehicles)が収集した海底画像は、より広い生息環境の中で個人を特定するために利用することができる。 機械学習モデルは、訓練されたオブジェクト検出器を使用して、画像中の特定の種の存在を特定するために使用することができる。 本論文は, 数発学習における最近の研究に触発され, 一般的な海洋生物のイメージやアノテーションを利用して, 希少種と秘密種を識別する能力を高める。
  論文  参考訳（メタデータ） (2024-06-04T03:31:42Z)
• Understanding the Impact of Training Set Size on Animal Re-identification [36.37275024049744]
  本研究では,種特異的な特徴,特に個体内変異が,訓練データ要求に顕著な影響を及ぼすことを示す。 ローカル機能とエンド・ツー・エンドの学習ベースのアプローチの利点を実証する。
  論文  参考訳（メタデータ） (2024-05-24T23:15:52Z)
• Towards Seamless Adaptation of Pre-trained Models for Visual Place Recognition [72.35438297011176]
  視覚的位置認識のための事前学習モデル(VPR)のシームレスな適応を実現する新しい手法を提案する。 具体的には、地域を識別するための有意義なランドマークに焦点を当てたグローバルな特徴とローカルな特徴の両方を得るために、ハイブリッド適応法を設計する。 実験結果から,本手法はトレーニングデータやトレーニング時間が少なく,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-02-22T12:55:01Z)
• Multimodal Foundation Models for Zero-shot Animal Species Recognition in Camera Trap Images [57.96659470133514]
  モーションアクティベートカメラトラップは、世界中の野生生物を追跡・監視するための効率的なツールである。 教師付き学習技術は、そのような画像を分析するためにうまく展開されているが、そのような訓練には専門家のアノテーションが必要である。 コストのかかるラベル付きデータへの依存を減らすことは、人間の労働力を大幅に減らした大規模野生生物追跡ソリューションを開発する上で、大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-11-02T08:32:00Z)
• CHALLENGER: Training with Attribution Maps [63.736435657236505]
  ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。 特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-30T13:34:46Z)
• SuperAnimal pretrained pose estimation models for behavioral analysis [42.206265576708255]
  行動の定量化は神経科学、獣医学、動物保護活動など様々な応用において重要である。 我々は、SuperAnimalと呼ばれる新しい手法で統一基盤モデルを開発するための一連の技術革新を提案する。
  論文  参考訳（メタデータ） (2022-03-14T18:46:57Z)
• Deep learning with self-supervision and uncertainty regularization to count fish in underwater images [28.261323753321328]
  効果的な保全活動には、効果的な人口監視が必要です。 画像サンプリングによる人口のモニタリングにより、データ収集は安価で広く、侵入性が低くなっている。 このようなデータから動物を数えることは、特に騒々しい画像に密に詰め込まれた場合、困難です。 深層学習は多くのコンピュータビジョンタスクの最先端の手法であるが、動物を数えるためにはまだ十分に研究されていない。
  論文  参考訳（メタデータ） (2021-04-30T13:02:19Z)
• Adversarially-Trained Deep Nets Transfer Better: Illustration on Image Classification [53.735029033681435]
  トランスファーラーニングは、訓練済みのディープニューラルネットワークを画像認識タスクに新しいドメインに適用するための強力な方法論である。 本研究では,非逆学習モデルよりも逆学習モデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-11T22:48:42Z)
• Transferring Dense Pose to Proximal Animal Classes [83.84439508978126]
  より一般的な対象検出器やセグメンタなどと同様に、密集したポーズ認識に存在する知識を、他のクラスにおける密集したポーズ認識の問題に移すことが可能であることを示す。 我々は、人間と幾何学的に整合した新しい動物のためのDensePoseモデルを確立することでこれを行う。 また、クラスチンパンジーにDensePoseの方法でラベル付けされた2つのベンチマークデータセットを導入し、アプローチを評価するためにそれらを使用します。
  論文  参考訳（メタデータ） (2020-02-28T21:43:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。