論文の概要: SeaTurtleID2022: A long-span dataset for reliable sea turtle re-identification
- arxiv url: http://arxiv.org/abs/2211.10307v4
- Date: Wed, 1 May 2024 13:16:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-02 20:50:17.833420
- Title: SeaTurtleID2022: A long-span dataset for reliable sea turtle re-identification
- Title（参考訳）: SeaTurtleID2022: 信頼性の高いウミガメ再同定のための長期データセット
- Authors: Lukáš Adam, Vojtěch Čermák, Kostas Papafitsoros, Lukáš 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について紹介する。
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。
- 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 the first public large-scale, long-span dataset with sea turtle photographs captured in the wild -- \href{https://www.kaggle.com/datasets/wildlifedatasets/seaturtleid2022}{SeaTurtleID2022}. The dataset contains 8729 photographs of 438 unique individuals collected within 13 years, making it the longest-spanned dataset for animal re-identification. All photographs include various annotations, e.g., identity, encounter timestamp, and body parts segmentation masks. Instead of standard "random" splits, the dataset allows for two realistic and ecologically motivated splits: (i) a \textit{time-aware closed-set} with training, validation, and test data from different days/years, and (ii) a \textit{time-aware open-set} with new unknown individuals in test and validation sets. We show that time-aware splits are essential for benchmarking re-identification methods, as random splits lead to performance overestimation. Furthermore, a baseline instance segmentation and re-identification performance over various body parts is provided. Finally, an end-to-end system for sea turtle re-identification is proposed and evaluated. The proposed system based on Hybrid Task Cascade for head instance segmentation and ArcFace-trained feature-extractor achieved an accuracy of 86.8\%.
- Abstract（参考訳）: 本稿では,野生で撮影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について紹介する: \href{https://www.kaggle.com/datasets/wildlifedatasets/seaturtleid2022}{SeaTurtleID2022}。
このデータセットには、13年以内に収集された438個体の8729枚の写真が含まれており、動物の再同定のための最長のデータセットとなっている。
すべての写真には、例えば、アイデンティティ、出会うタイムスタンプ、身体部分のセグメンテーションマスクなど、さまざまなアノテーションが含まれている。
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します。
i) 異なる日/年毎のトレーニング、検証、テストデータを含む、textit{time-aware closed-set}
(ii)テストセットと検証セットに新しい未知の個人を持つ、textit{time-aware open-set}。
乱数分割が性能過大評価につながるため、再同定手法のベンチマークには時間認識分割が不可欠であることを示す。
さらに、各種本体部に対するベースラインインスタンスセグメンテーション及び再識別性能を提供する。
最後に,ウミガメ再同定のためのエンドツーエンドシステムを提案し,評価した。
ヘッドインスタンスセグメンテーションのためのHybrid Task Cascadeに基づくシステムとArcFaceで訓練した特徴抽出器は86.8\%の精度を実現した。
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。