論文の概要: Diving with Penguins: Detecting Penguins and their Prey in Animal-borne Underwater Videos via Deep Learning

• arxiv url: http://arxiv.org/abs/2308.07267v1
• Date: Mon, 14 Aug 2023 16:50:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-15 12:27:49.059771
• Title: Diving with Penguins: Detecting Penguins and their Prey in Animal-borne Underwater Videos via Deep Learning
• Title（参考訳）: ペンギンの潜水:深層学習による動物の水中映像におけるペンギンとその餌の検出
• Authors: Kejia Zhang, Mingyu Yang, Stephen D. J. Lang, Alistair M. McInnes, Richard B. Sherley, Tilo Burghardt
• Abstract要約: アフリカ産ペンギン(Spheniscus demersus)は絶滅危惧種である。 水中での狩猟とそれに伴う捕食の成功率についてはほとんど知られていない。 現代のバイオロギング技術は、貴重な洞察を提供する可能性がある。 動物によるペンギンの水中ビデオデータセットを公開し、準備の整った深層学習システムを導入する。
• 参考スコア（独自算出の注目度）: 6.468147948798321
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: African penguins (Spheniscus demersus) are an endangered species. Little is known regarding their underwater hunting strategies and associated predation success rates, yet this is essential for guiding conservation. Modern bio-logging technology has the potential to provide valuable insights, but manually analysing large amounts of data from animal-borne video recorders (AVRs) is time-consuming. In this paper, we publish an animal-borne underwater video dataset of penguins and introduce a ready-to-deploy deep learning system capable of robustly detecting penguins (mAP50@98.0%) and also instances of fish (mAP50@73.3%). We note that the detectors benefit explicitly from air-bubble learning to improve accuracy. Extending this detector towards a dual-stream behaviour recognition network, we also provide the first results for identifying predation behaviour in penguin underwater videos. Whilst results are promising, further work is required for useful applicability of predation behaviour detection in field scenarios. In summary, we provide a highly reliable underwater penguin detector, a fish detector, and a valuable first attempt towards an automated visual detection of complex behaviours in a marine predator. We publish the networks, the DivingWithPenguins video dataset, annotations, splits, and weights for full reproducibility and immediate usability by practitioners.
• Abstract（参考訳）: アフリカペンギン(spheniscus demersus)は絶滅危惧種である。 水中での狩猟戦略とそれに伴う捕食の成功率についてはほとんど知られていないが、これは保存の指導に不可欠である。 現代のバイオログ技術は、貴重な洞察を提供する可能性があるが、動物由来のビデオレコーダー(AVR)から大量のデータを手動で分析することは、時間を要する。 本稿では,ペンギンの動物による水中ビデオデータセットを公開し,ペンギン(mAP50@98.0%)と魚類(mAP50@73.3%)を頑健に検出できる深層学習システムを導入する。 検知器はエアバブル学習の恩恵を受け、精度を向上させることに留意する。 また,この検出器をデュアルストリーム行動認識ネットワークへと拡張し,ペンギン水中ビデオにおける捕食行動の同定のための最初の結果を提供する。 結果が期待できる一方で、フィールドシナリオにおける捕食行動検出の有効な適用にはさらなる作業が必要である。 要約すると、高度に信頼性の高い水中ペンギン検出器、魚検知器、および海洋捕食者における複雑な行動の自動視覚検出のための貴重な最初の試みを提供する。 私たちは、ネットワーク、divivewithpenguinsビデオデータセット、アノテーション、分割、重み付けを公開して、完全な再現性と、実践者による即時使用性を実現しています。

関連論文リスト

• Watching Swarm Dynamics from Above: A Framework for Advanced Object Tracking in Drone Videos [2.2159863221761165]
  本研究では,無人ドローン映像から海中の魚の群れを追跡する新しい手法を提案する。 我々のフレームワークは、2Dで古典的な物体追跡を行うだけでなく、映像データとドローン搭載センサー情報(GPSとIMU)を融合させることで、世界座標における魚学校の位置と空間的拡張を追跡する。 提示された枠組みにより、研究者は非侵襲的でスケーラブルな方法で、自然の社会的・環境的な文脈で魚学校の集団行動を研究することができる。
  論文  参考訳（メタデータ） (2024-06-11T19:57:00Z)
• 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)
• TempNet: Temporal Attention Towards the Detection of Animal Behaviour in Videos [63.85815474157357]
  本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。 TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。 本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
  論文  参考訳（メタデータ） (2022-11-17T23:55:12Z)
• How Would The Viewer Feel? Estimating Wellbeing From Video Scenarios [73.24092762346095]
  情緒応答と主観的幸福感に注釈を付けた6万本以上のビデオを備えた大規模データセットを2つ導入した。 Video Cognitive Empathyデータセットには、微粒な感情応答の分布のためのアノテーションが含まれており、モデルが感情状態の詳細な理解を得ることができる。 Video to Valenceデータセットには、ビデオ間の相対的な快適性のアノテーションが含まれている。
  論文  参考訳（メタデータ） (2022-10-18T17:58:25Z)
• Deep object detection for waterbird monitoring using aerial imagery [56.1262568293658]
  本研究では,商用ドローンで収集した空中画像を用いて,水鳥の正確な検出,数え,監視に使用できる深層学習パイプラインを提案する。 畳み込み型ニューラルネットワークを用いた物体検出装置を用いて,テキサス沿岸の植民地性営巣島でよく見られる16種類の水鳥を検出できることを示す。
  論文  参考訳（メタデータ） (2022-10-10T17:37:56Z)
• Computer Vision and Deep Learning for Fish Classification in Underwater Habitats: A Survey [2.363388546004777]
  海洋科学者は、水中のビデオ記録を使って、自然の生息地の魚種を調査します。 収集された膨大な量のビデオは、有用な情報を抽出し、人間にとって大変な作業と時間を要する。 ディープラーニング技術は、海洋科学者が大量のビデオを迅速かつ効率的に解析するのに役立つ。
  論文  参考訳（メタデータ） (2022-03-14T09:32:25Z)
• AP-10K: A Benchmark for Animal Pose Estimation in the Wild [83.17759850662826]
  一般的な動物のポーズ推定のための,最初の大規模ベンチマークであるAP-10Kを提案する。 AP-10Kは動物23種と60種から収集・濾過された10,015枚からなる。 その結果、様々な動物種からの学習の精度と一般化能力の両面での優位性に関する実験的な証拠が得られた。
  論文  参考訳（メタデータ） (2021-08-28T10:23:34Z)
• Reinforcement learning for pursuit and evasion of microswimmers at low Reynolds number [0.0]
  我々は,低レイノルズ数環境に浸漬しながら,追従回避作業に従事した2人のマイクロスウィマーのモデルを考える。 強化学習によってプレイヤーは、非自明に流体力学環境を利用する、効率的かつ物理的に説明可能な戦略を見出す。
  論文  参考訳（メタデータ） (2021-06-16T08:08:40Z)
• Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
  水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。 提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
  論文  参考訳（メタデータ） (2020-11-28T05:51:19Z)

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。