論文の概要: WhoAmI: An Automatic Tool for Visual Recognition of Tiger and Leopard Individuals in the Wild

• arxiv url: http://arxiv.org/abs/2006.09962v1
• Date: Wed, 17 Jun 2020 16:17:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 20:35:04.796309
• Title: WhoAmI: An Automatic Tool for Visual Recognition of Tiger and Leopard Individuals in the Wild
• Title（参考訳）: ワタミ:野生のトラとヒョウの個体を視覚で認識する自動ツール
• Authors: Rita Pucci, Jitendra Shankaraiah, Devcharan Jathanna, Ullas Karanth, and Kartic Subr
• Abstract要約: 我々は,動物を識別し,動物の種類を特定し,2種の個体を識別する自動アルゴリズムを開発した。 本研究では,南インドのジャングルに記録されたカメラトラップ画像のデータセットに対するアプローチの有効性を示す。
• 参考スコア（独自算出の注目度）: 3.1708876837195157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Photographs of wild animals in their natural habitats can be recorded unobtrusively via cameras that are triggered by motion nearby. The installation of such camera traps is becoming increasingly common across the world. Although this is a convenient source of invaluable data for biologists, ecologists and conservationists, the arduous task of poring through potentially millions of pictures each season introduces prohibitive costs and frustrating delays. We develop automatic algorithms that are able to detect animals, identify the species of animals and to recognize individual animals for two species. we propose the first fully-automatic tool that can recognize specific individuals of leopard and tiger due to their characteristic body markings. We adopt a class of supervised learning approach of machine learning where a Deep Convolutional Neural Network (DCNN) is trained using several instances of manually-labelled images for each of the three classification tasks. We demonstrate the effectiveness of our approach on a data set of camera-trap images recorded in the jungles of Southern India.
• Abstract（参考訳）: 自然の生息地にある野生動物の写真は、近くの動きによってトリガーされるカメラを通して邪魔に記録することができる。 このようなカメラトラップの設置は、世界中でますます一般的になりつつある。 これは生物学者、生態学者、保全活動家にとって有益なデータソースであるが、毎年何百万枚もの写真を撮影する厳しい作業は、禁止費用と遅延をもたらす。 我々は,動物を識別し,動物の種類を特定し,2種の個体を識別する自動アルゴリズムを開発した。 そこで本研究では,ヒョウとトラの特定の個体を識別できる初の完全自動計測ツールを提案する。 我々は,Deep Convolutional Neural Network (DCNN) を用いた機械学習の教師あり学習手法を採用し,これら3つの分類課題のそれぞれに対して,手作業による画像の複数例を用いて訓練を行った。 本研究では,南インドのジャングルに記録されたカメラトラップ画像のデータセットに対するアプローチの有効性を示す。

関連論文リスト

• Learning the 3D Fauna of the Web [70.01196719128912]
  3D-Faunaは,100種以上の動物種を対象に,パンカテゴリーで変形可能な3D動物モデルを共同で学習する手法である。 動物モデリングにおける重要なボトルネックの1つは、トレーニングデータの可用性の制限である。 従来のカテゴリー固有の試みは,訓練画像に制限のある希少種への一般化に失敗することを示す。
  論文  参考訳（メタデータ） (2024-01-04T18:32:48Z)
• 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)
• Florida Wildlife Camera Trap Dataset [48.99466876948454]
  フロリダ州南西部の2つの異なる場所から収集された野生生物カメラトラップ分類データセットについて紹介する。 データセットは104,495枚の画像からなり、視覚的に類似した種、様々な照明条件、スキュードクラス分布、絶滅危惧種のサンプルを含む。
  論文  参考訳（メタデータ） (2021-06-23T18:53:15Z)
• The iWildCam 2021 Competition Dataset [5.612688040565423]
  生態学者は、世界中の動物集団を監視するためにカメラトラップを使用します。 種の豊富さを推定するには、生態学者はどの種が見られたかだけでなく、各種の個体数を知る必要がある。 トレーニングデータとテストデータが、さまざまなカメラから世界中に分散している課題を準備しました。
  論文  参考訳（メタデータ） (2021-05-07T20:27:22Z)
• AcinoSet: A 3D Pose Estimation Dataset and Baseline Models for Cheetahs in the Wild [51.35013619649463]
  我々はAcinoSetと呼ばれる野生のフリーランニングチーターの広範なデータセットを提示する。 データセットには、119,490フレームのマルチビュー同期高速ビデオ映像、カメラキャリブレーションファイル、7,588フレームが含まれている。 また、結果の3D軌道、人間チェックされた3D地上真実、およびデータを検査するインタラクティブツールも提供される。
  論文  参考訳（メタデータ） (2021-03-24T15:54:11Z)
• Exploiting Depth Information for Wildlife Monitoring [0.0]
  深度推定を用いて動物を検知・識別するカメラトラップを用いた自動手法を提案する。 個々の動物を検出・識別するために,いわゆるインスタンスセグメンテーションのための新しい手法D-Mask R-CNNを提案する。 実験により,動物検出における平均精度スコアの改善による追加深度推定の利点が示された。
  論文  参考訳（メタデータ） (2021-02-10T18:10:34Z)
• Automatic Detection and Recognition of Individuals in Patterned Species [4.163860911052052]
  我々は,異なるパターンの個体の自動検出と認識のための枠組みを開発する。 我々は最近提案したFaster-RCNNオブジェクト検出フレームワークを用いて画像中の動物を効率的に検出する。 我々は,シマウマおよびジャガー画像の認識システムを評価し,他のパターンの種への一般化を示す。
  論文  参考訳（メタデータ） (2020-05-06T15:29:21Z)
• Sequence Information Channel Concatenation for Improving Camera Trap Image Burst Classification [1.94742788320879]
  カメラトラップは、生態系を乱すことなく、野生生物を自然の生息地で観察するために広く使用されている。 現在、世界中の様々な生態保護地域に大量のカメラトラップが配備されており、数十年にわたってデータを収集している。 既存のシステムは、画像が動物を含むかどうかを単一の画像から判断する分類を行う。 本研究では, チャネル間の3次元バースト画像とシーケンス情報を含むコンカレントマスクを用いて, ROC AUCを未知のカメラサイトからテストセットで20%改善することを示した。
  論文  参考訳（メタデータ） (2020-04-30T21:47:14Z)
• 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)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

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。