Fugu-MT 論文翻訳(概要): An Efficient Illumination Invariant Tiger Detection Framework for Wildlife Surveillance

論文の概要: An Efficient Illumination Invariant Tiger Detection Framework for Wildlife Surveillance

arxiv url: http://arxiv.org/abs/2311.17552v2
Date: Fri, 5 Jan 2024 21:23:06 GMT
ステータス: 処理完了
システム内更新日: 2024-01-09 22:09:52.501646
Title: An Efficient Illumination Invariant Tiger Detection Framework for Wildlife Surveillance
Title（参考訳）: 野生生物保護のための効率的な照明不変型タイガー検出フレームワーク
Authors: Gaurav Pendharkar, A.Ancy Micheal, Jason Misquitta, Ranjeesh Kaippada
Abstract要約: 本稿では,トラ検出のためのEnlightenGANとYOLOv8に基づく正確な照明不変フレームワークを提案する。微調整されたYOLOv8モデルでは、照明の強化を伴わずにmAPスコアが61%に達する。このアプローチは、ATRWデータセットの最先端のパフォーマンスを約6%から7%向上させる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Tiger conservation necessitates the strategic deployment of multifaceted initiatives encompassing the preservation of ecological habitats, anti-poaching measures, and community involvement for sustainable growth in the tiger population. With the advent of artificial intelligence, tiger surveillance can be automated using object detection. In this paper, an accurate illumination invariant framework is proposed based on EnlightenGAN and YOLOv8 for tiger detection. The fine-tuned YOLOv8 model achieves a mAP score of 61% without illumination enhancement. The illumination enhancement improves the mAP by 0.7%. The approaches elevate the state-of-the-art performance on the ATRW dataset by approximately 6% to 7%.
Abstract（参考訳）: タイガー保護は、環境保全、密猟対策、トラの個体数の持続的な成長のためのコミュニティ関与を含む多面的イニシアチブの戦略的展開を必要とする。人工知能の出現により、トラの監視はオブジェクト検出によって自動化される。本稿では,トラ検出のためのEnlightenGANとYOLOv8に基づく正確な照明不変フレームワークを提案する。微調整されたYOLOv8モデルでは、照明の強化なしにmAPスコアが61%に達する。照明強化により、mAPは0.7%向上する。このアプローチは、ATRWデータセットの最先端のパフォーマンスを約6%から7%向上させる。

関連論文リスト

AI-Driven Real-Time Monitoring of Ground-Nesting Birds: A Case Study on Curlew Detection Using YOLOv10 [0.07255608805275862]
本研究は,カリュー(Numenius arquata)に着目したAIによるリアルタイム種検出手法を提案する。カスタムトレーニングされたYOLOv10モデルは、Create AIプラットフォームにリンクされた3/4G対応カメラを使用して、カリューとそのニワトリを検知し、分類するために開発された。ウェールズの11箇所で、このモデルは高い性能を達成し、感度は90.56%、特異度は100%、F1スコアは95.05%だった。
論文参考訳（メタデータ） (2024-11-22T10:36:29Z)
Deep Learning for Leopard Individual Identification: An Adaptive Angular Margin Approach [0.0]
本稿では,個々のヒョウを特徴的パターンに基づいて識別する深層学習フレームワークを提案する。本稿では,RGBチャネルとエッジ検出チャネルを組み合わせた前処理パイプラインを提案する。
論文参考訳（メタデータ） (2024-11-04T10:38:33Z)
MLAE: Masked LoRA Experts for Visual Parameter-Efficient Fine-Tuning [45.93128932828256]
Masked LoRA Experts (MLAE) は、視覚的PEFTにマスキングの概念を適用する革新的なアプローチである。本手法は,低ランク行列を独立したランク1サブマトリクスに変換するセル分解戦略を組み込んだものである。 MLAEは,VTAB-1kベンチマークでは平均78.8%,FGVCベンチマークでは90.9%の精度で,新しい最先端(SOTA)性能を実現する。
論文参考訳（メタデータ） (2024-05-29T08:57:23Z)
Improved Generation of Adversarial Examples Against Safety-aligned LLMs [72.38072942860309]
勾配に基づく手法を用いて生成した敵対的プロンプトは、安全対応のLDMに対して自動ジェイルブレイク攻撃を行う際、優れた性能を示す。本稿では,この問題に対する新たな視点を探求し,トランスファーベースの攻撃にインスパイアされたイノベーションを活用することで緩和できることを示唆する。この組み合わせによって生成されたクエリ固有逆接接尾辞の87%がLlama-2-7B-Chatを誘導し、AdvBench上のターゲット文字列と正確に一致する出力を生成することを示した。
論文参考訳（メタデータ） (2024-05-28T06:10:12Z)
Adaptation with Self-Evaluation to Improve Selective Prediction in LLMs [56.526095828316386]
大規模言語モデル(LLM)の選択予測性能を改善するために,自己評価による適応のための新しいフレームワークを提案する。提案手法は,様々な質問応答(QA)データセット上で評価し,最先端の選択的予測手法よりも優れていることを示す。
論文参考訳（メタデータ） (2023-10-18T03:34:59Z)
Towards Green AI in Fine-tuning Large Language Models via Adaptive Backpropagation [58.550710456745726]
ファインチューニングは、トレーニング済みの大規模言語モデル(LLM)を下流アプリケーションに適用する最も効果的な方法である。既存の高速微調整技術は, FLOPの低減に限界がある。本稿では,異なるテンソルのバックプロパゲーションコストを適応的に評価する新しい手法であるGreenTrainerについて述べる。
論文参考訳（メタデータ） (2023-09-22T21:55:18Z)
Model Leeching: An Extraction Attack Targeting LLMs [4.533013952442819]
Model Leechingは、Large Language Models (LLM)をターゲットにした新しい抽出攻撃である。また,ChatGPT-3.5-Turbo からタスク能力を抽出し,SQuAD EM と F1 の精度スコアを 75% と 87% の精度で,API コストで50 ドルに抑えた。
論文参考訳（メタデータ） (2023-09-19T11:45:29Z)
Patch-Level Contrasting without Patch Correspondence for Accurate and Dense Contrastive Representation Learning [79.43940012723539]
ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
論文参考訳（メタデータ） (2023-06-23T07:38:09Z)
To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
論文参考訳（メタデータ） (2021-09-04T02:45:22Z)
SLIC-UAV: A Method for monitoring recovery in tropical restoration projects through identification of signature species using UAVs [0.0]
本研究では, 熱帯林における初期絶滅種を地図化するために, 無人航空機 (UAV) 画像の処理を行うパイプラインSLIC-UAVを提案する。 a)UAV画像からクラウンをラベル付けするための時間効率のよいアプローチ、(b)個々の樹冠のスペクトル的特徴とテクスチャ的特徴に基づく種の機械学習、(c)UAV画像を「スーパーピクセル」に自動分割するパイプラインは新規である。本研究は,熱帯林の復元地域における優占樹種の地図化におけるSlic-UAVの意義を実証するものである。
論文参考訳（メタデータ） (2020-06-11T17:22:56Z)

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。