論文の概要: Seeing biodiversity: perspectives in machine learning for wildlife conservation

• arxiv url: http://arxiv.org/abs/2110.12951v1
• Date: Mon, 25 Oct 2021 13:40:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-26 15:17:56.889731
• Title: Seeing biodiversity: perspectives in machine learning for wildlife conservation
• Title（参考訳）: 生物多様性の展望:野生生物保護のための機械学習の視点
• Authors: Devis Tuia, Benjamin Kellenberger, Sara Beery, Blair R. Costelloe, Silvia Zuffi, Benjamin Risse, Alexander Mathis, Mackenzie W. Mathis, Frank van Langevelde, Tilo Burghardt, Roland Kays, Holger Klinck, Martin Wikelski, Iain D. Couzin, Grant van Horn, Margaret C. Crofoot, Charles V. Stewart, and Tanya Berger-Wolf
• Abstract要約: 機械学習は、野生生物種の理解、モニタリング能力、保存性を高めるために、この分析的な課題を満たすことができると我々は主張する。 本質的に、新しい機械学習アプローチとエコロジー分野の知識を組み合わせることで、動物生態学者は現代のセンサー技術が生み出すデータの豊富さを生かすことができる。
• 参考スコア（独自算出の注目度）: 49.15793025634011
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Data acquisition in animal ecology is rapidly accelerating due to inexpensive and accessible sensors such as smartphones, drones, satellites, audio recorders and bio-logging devices. These new technologies and the data they generate hold great potential for large-scale environmental monitoring and understanding, but are limited by current data processing approaches which are inefficient in how they ingest, digest, and distill data into relevant information. We argue that machine learning, and especially deep learning approaches, can meet this analytic challenge to enhance our understanding, monitoring capacity, and conservation of wildlife species. Incorporating machine learning into ecological workflows could improve inputs for population and behavior models and eventually lead to integrated hybrid modeling tools, with ecological models acting as constraints for machine learning models and the latter providing data-supported insights. In essence, by combining new machine learning approaches with ecological domain knowledge, animal ecologists can capitalize on the abundance of data generated by modern sensor technologies in order to reliably estimate population abundances, study animal behavior and mitigate human/wildlife conflicts. To succeed, this approach will require close collaboration and cross-disciplinary education between the computer science and animal ecology communities in order to ensure the quality of machine learning approaches and train a new generation of data scientists in ecology and conservation.
• Abstract（参考訳）: 動物生態学のデータ取得は、スマートフォン、ドローン、衛星、オーディオレコーダー、バイオログデバイスなどの安価でアクセス可能なセンサーによって急速に加速している。 これらの新しい技術とそれらが生み出すデータは、大規模な環境モニタリングと理解に大きな可能性を秘めているが、現在のデータ処理アプローチによって制限されている。 我々は、機械学習、特に深層学習アプローチが、野生生物種の理解、モニタリング能力、保護を強化するためにこの分析的課題を満たすことができると主張している。 エコロジーワークフローに機械学習を組み込むことで、人口と行動モデルのインプットが改善され、最終的にはハイブリッドモデリングツールが統合され、エコロジカルモデルが機械学習モデルの制約となり、後者がデータ支援の洞察を提供する。 本質的には、新しい機械学習アプローチとエコロジー分野の知識を組み合わせることで、動物生態学者は、人口を確実に推定し、動物行動を研究し、人間と野生生物の衝突を緩和するために、現代のセンサー技術によって生成されるデータの豊富さを活かすことができる。 このアプローチを成功させるためには、機械学習のアプローチの品質を確保し、新しい世代のデータサイエンティストを生態学と保存学で訓練するために、コンピュータ科学と動物生態学のコミュニティ間の緊密な協力と学際的な教育が必要である。

関連論文リスト

• Learning to learn ecosystems from limited data -- a meta-learning approach [0.0]
  我々は,時間遅延フィードフォワードニューラルネットワークを用いたメタラーニングフレームワークを開発し,生態系の長期的挙動を予測する。 この枠組みは、限られたデータで生態系の「動的気候」を正確に再構築できることを示す。
  論文  参考訳（メタデータ） (2024-10-02T16:23:34Z)
• Computer Vision for Primate Behavior Analysis in the Wild [61.08941894580172]
  ビデオに基づく行動監視は、動物の認知と行動を研究する方法を変える大きな可能性を秘めている。 今でも、エキサイティングな見通しと、今日実際に達成できるものの間には、かなり大きなギャップがある。
  論文  参考訳（メタデータ） (2024-01-29T18:59:56Z)
• Data-Centric Digital Agriculture: A Perspective [23.566985362242498]
  デジタル農業は、食料、食料、繊維、燃料の需要の増加に対応するために急速に発展している。 デジタル農業における機械学習の研究は、主にモデル中心のアプローチに焦点を当てている。 デジタル農業の可能性を完全に実現するためには、この分野におけるデータの役割を包括的に理解することが不可欠である。
  論文  参考訳（メタデータ） (2023-12-06T11:38:26Z)
• The Future of Fundamental Science Led by Generative Closed-Loop Artificial Intelligence [67.70415658080121]
  機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。 AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。 ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
  論文  参考訳（メタデータ） (2023-07-09T21:16:56Z)
• Elephants and Algorithms: A Review of the Current and Future Role of AI in Elephant Monitoring [47.24825031148412]
  人工知能(AI)と機械学習(ML)は、動物行動と保全戦略の理解を深める革命的な機会を提供する。 アフリカ保護地域の重要な種であるゾウを焦点として、我々はAIとMLが保護に果たす役割を掘り下げる。 新しいAIとML技術は、このプロセスを合理化するためのソリューションを提供する。
  論文  参考訳（メタデータ） (2023-06-23T22:35:51Z)
• Nine tips for ecologists using machine learning [0.0]
  我々は、多くの生態学的研究が、生態状態や生物実体などのクラスにデータを割り当てることを目的としているため、分類問題に焦点をあてる。 9つのヒントのそれぞれは、マシンラーニングモデルの開発における一般的なエラー、トラップ、あるいは課題を特定し、生態学的研究での使用を促進するための推奨を提供する。
  論文  参考訳（メタデータ） (2023-05-17T15:41:08Z)
• Unlocking the potential of deep learning for marine ecology: overview, applications, and outlook [8.3226670069051]
  本稿では,海洋生態学者と計算機科学者のギャップを埋めることを目的としている。 本研究では, 一般的な深層学習手法を, 平易な言語における生態データ分析に適用する。 我々は,海洋生態学への深層学習の確立と新たな応用を通じて,課題と機会を解説する。
  論文  参考訳（メタデータ） (2021-09-29T21:59:16Z)
• Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
  機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。 ディープラーニングは、独自の機械学習のサブフィールドになっている。 生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
  論文  参考訳（メタデータ） (2021-05-29T21:02:44Z)
• Iterative Human and Automated Identification of Wildlife Images [25.579224100175434]
  カメラのトラップは野生生物の監視にますます使われているが、この技術は通常、広範なデータアノテーションを必要とする。 提案された反復的人間および自動識別アプローチは、長尾分布を持つ野生動物の画像データから学習することができる。 提案手法は既存の手法の人間のアノテーションの20%しか使わず、90%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-05-05T20:51:30Z)
• Cetacean Translation Initiative: a roadmap to deciphering the communication of sperm whales [97.41394631426678]
  最近の研究では、非ヒト種における音響コミュニケーションを分析するための機械学習ツールの約束を示した。 マッコウクジラの大量生物音響データの収集と処理に必要な重要な要素について概説する。 開発された技術能力は、非人間コミュニケーションと動物行動研究を研究する幅広いコミュニティにおいて、クロス応用と進歩をもたらす可能性が高い。
  論文  参考訳（メタデータ） (2021-04-17T18:39:22Z)

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。