論文の概要: SeaTurtleID: A novel long-span dataset highlighting the importance of
timestamps in wildlife re-identification
- arxiv url: http://arxiv.org/abs/2211.10307v1
- Date: Fri, 18 Nov 2022 15:46:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 15:19:42.876823
- Title: SeaTurtleID: A novel long-span dataset highlighting the importance of
timestamps in wildlife re-identification
- Title(参考訳): SeaTurtleID: 野生生物の再識別におけるタイムスタンプの重要性を強調する新しい長期データセット
- Authors: Kostas Papafitsoros, Luk\'a\v{s} Adam, Vojt\v{e}ch \v{C}erm\'ak,
Luk\'a\v{s} Picek
- Abstract要約: 本稿では,野生で捕獲されたウミガメの写真を収めた最初の大規模長大データセットであるSeaTurtleIDを紹介する。
このデータセットは、1081年の衝突で12年以内に収集された400個の個人からなる7774枚の高解像度写真で構成されている。
データセットの12年間の長さは、タイムスタンプを備えた最長の野生動物データセットである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper introduces SeaTurtleID, the first public large-scale, long-span
dataset with sea turtle photographs captured in the wild. The dataset is
suitable for benchmarking re-identification methods and evaluating several
other computer vision tasks. The dataset consists of 7774 high-resolution
photographs of 400 unique individuals collected within 12 years in 1081
encounters. Each photograph is accompanied by rich metadata, e.g., identity
label, head segmentation mask, and encounter timestamp. The 12-year span of the
dataset makes it the longest-spanned public wild animal dataset with
timestamps. By exploiting this unique property, we show that timestamps are
necessary for an unbiased evaluation of animal re-identification methods
because they allow time-aware splits of the dataset into reference and query
sets. We show that time-unaware splits can lead to performance overestimation
of more than 100% compared to the time-aware splits for both feature- and
CNN-based re-identification methods. We also argue that time-aware splits
correspond to more realistic re-identification pipelines than the time-unaware
ones. We recommend that animal re-identification methods should only be tested
on datasets with timestamps using time-aware splits, and we encourage dataset
curators to include such information in the associated metadata.
- Abstract(参考訳): 本稿では,野生で捕獲されたウミガメの写真を収めた最初の大規模長期データセットであるSeaTurtleIDを紹介する。
このデータセットは、再識別方法のベンチマークや、他のコンピュータビジョンタスクの評価に適している。
データセットは、1081年の遭遇から12年以内に収集された400人の独特な人物の7774枚の高解像度写真で構成されている。
各写真には、アイデンティティラベル、ヘッドセグメンテーションマスク、出会いタイムスタンプなど、豊富なメタデータが添付されている。
データセットの12年にわたる期間は、タイムスタンプを備えた最も長い公開野生動物データセットとなる。
この特徴を生かして、タイムスタンプは、データセットを参照とクエリセットに分割できるため、動物の再識別方法のバイアスのない評価に必要であることを示す。
特徴量とCNNに基づく再同定手法の時間認識分割と比較して,時間認識分割が100%以上の性能過大評価につながることを示す。
タイムアウェアの分割は、タイムアウェアの分割よりも現実的な再識別パイプラインに対応しているとも主張する。
動物の再同定方法は時間認識スプリットを用いたタイムスタンプ付きデータセットでのみテストすべきであり、データセットキュレーターは関連するメタデータにそのような情報を含めることを推奨する。
関連論文リスト
- FungiTastic: A multi-modal dataset and benchmark for image categorization [21.01939456569417]
我々は,20年間にわたって連続的に収集された菌類記録に基づいて,新しいベンチマークとデータセットFungiTasticを導入する。
データセットは専門家によってラベル付けされ、キュレーションされ、5kの細粒度カテゴリー(種)の約350kのマルチモーダル観測で構成されている。
FungiTasticは、前例のないラベルの信頼性に関するDNA配列の真実をテストセットを含む数少ないベンチマークの1つである。
論文 参考訳(メタデータ) (2024-08-24T17:22:46Z) - Universal Bovine Identification via Depth Data and Deep Metric Learning [1.6605913858547239]
本稿では,個別の牛を正確に識別する深度のみの深度学習システムを提案する。
群れの大きさの増大は、農場における牛と人間の比率を歪め、個人を手動で監視することがより困難になる。
そこで本研究では,市販の3Dカメラの深度データを用いた牛の識別のための深度学習手法を提案する。
論文 参考訳(メタデータ) (2024-03-29T22:03:53Z) - SeaTurtleID2022: A long-span dataset for reliable sea turtle re-identification [0.0]
本稿は、野生で撮影された海亀写真(SeaTurtleID2022)を用いた、最初の大規模な長期データセットを紹介する。
データセットには、13年以内に収集された438人の個人の写真8729枚が含まれている。
標準的な「ランダム」分割の代わりに、データセットは2つの現実的で生態学的に動機づけられた分割を可能にする。
論文 参考訳(メタデータ) (2023-11-09T17:10:20Z) - SwinFace: A Multi-task Transformer for Face Recognition, Expression
Recognition, Age Estimation and Attribute Estimation [60.94239810407917]
本論文では,単一スウィントランスを用いた顔認識,表情認識,年齢推定,顔属性推定のための多目的アルゴリズムを提案する。
複数のタスク間の競合に対処するため、マルチレベルチャネル注意(MLCA)モジュールをタスク固有の分析に統合する。
実験の結果,提案したモデルでは顔の理解が良く,全てのタスクにおいて優れた性能が得られることがわかった。
論文 参考訳(メタデータ) (2023-08-22T15:38:39Z) - MomentDiff: Generative Video Moment Retrieval from Random to Real [71.40038773943638]
私たちは、MomentDiffという拡散に基づく生成フレームワークを提供しています。
MomentDiffは、ランダムなブラウジングから段階的なローカライゼーションまで、典型的な人間の検索プロセスをシミュレートする。
MomentDiffは3つの公開ベンチマークで最先端の手法を一貫して上回っていることを示す。
論文 参考訳(メタデータ) (2023-07-06T09:12:13Z) - Navya3DSeg -- Navya 3D Semantic Segmentation Dataset & split generation
for autonomous vehicles [63.20765930558542]
3Dセマンティックデータは、障害物検出やエゴ-車両の局所化といった中核的な認識タスクに有用である。
そこで我々は,大規模生産段階の運用領域に対応する多様なラベル空間を持つ新しいデータセットであるNavala 3D(Navya3DSeg)を提案する。
ラベルのない23のラベル付きシーケンスと25の補足シーケンスが含まれており、ポイントクラウド上の自己教師付きおよび半教師付きセマンティックセマンティックセグメンテーションベンチマークを探索するために設計された。
論文 参考訳(メタデータ) (2023-02-16T13:41:19Z) - End-to-end Person Search Sequentially Trained on Aggregated Dataset [1.9766522384767227]
本稿では,検出と特徴抽出を共同で計算するエンド・ツー・エンドのモデルを提案する。
コストのかかるIDアノテーションを使わずに、より多くの歩行者検出データセットを集約することで、共有機能マップがより汎用的であることを示す。
論文 参考訳(メタデータ) (2022-01-24T11:22:15Z) - Multi-dataset Pretraining: A Unified Model for Semantic Segmentation [97.61605021985062]
我々は、異なるデータセットの断片化アノテーションを最大限に活用するために、マルチデータセット事前訓練と呼ばれる統合フレームワークを提案する。
これは、複数のデータセットに対して提案されたピクセルからプロトタイプへのコントラスト損失を通じてネットワークを事前トレーニングすることで実現される。
異なるデータセットからの画像とクラス間の関係をより良くモデル化するために、クロスデータセットの混合によりピクセルレベルの埋め込みを拡張する。
論文 参考訳(メタデータ) (2021-06-08T06:13:11Z) - Large-Scale Spatio-Temporal Person Re-identification: Algorithm and
Benchmark [100.77540900932763]
224k以上の画像を持つ10,860のIDを含む,LaST(Large-scale Spatio-Temporal)の個人再IDデータセットを新たに提供した。
LaSTは、より困難で多彩なreID設定を示し、空間的および時間的範囲が大幅に大きい。
論文 参考訳(メタデータ) (2021-05-31T16:05:51Z) - Unsupervised Pre-training for Person Re-identification [90.98552221699508]
大規模無ラベル人物再識別(Re-ID)データセットLUPersonを提案する。
学習者のRe-ID特徴表現の一般化能力を向上させるために,教師なし事前学習を初めて行おうとする。
論文 参考訳(メタデータ) (2020-12-07T14:48:26Z) - Deep Learning based Person Re-identification [2.9631016562930546]
カラーヒストグラムに基づく比較を最初に用いて,ギャラリーセットに最も近いマッチングを求める,効率的な階層的再同定手法を提案する。
シルエット部分に基づく特徴抽出スキームは、各階層に採用され、異なる身体構造の相対的な位置を保存する。
その結果、全体的な精度において、最先端のアプローチよりも優れた結果が得られた。
論文 参考訳(メタデータ) (2020-05-07T07:30:28Z)
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。