Fugu-MT 論文翻訳(概要): An active learning model to classify animal species in Hong Kong

論文の概要: An active learning model to classify animal species in Hong Kong

arxiv url: http://arxiv.org/abs/2403.15675v1
Date: Sat, 23 Mar 2024 01:42:19 GMT
ステータス: 処理完了
システム内更新日: 2024-03-26 21:41:55.392389
Title: An active learning model to classify animal species in Hong Kong
Title（参考訳）: 香港における動物種分類のための能動的学習モデル
Authors: Gareth Lamb, Ching Hei Lo, Jin Wu, Calvin K. F. Lee,
Abstract要約: カメラトラップは、動物を監視するための効率的で非侵襲的な方法として、世界中の生態学者によって使用されている。近年のディープラーニングとコンピュータビジョンの進歩により、このプロセスの自動化が可能になった。ここでは、香港で収集されたカメラトラップ画像に適用可能なモデルをトレーニングするために、深層学習ワークフローを使用します。
参考スコア（独自算出の注目度）: 4.318277586338618
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Camera traps are used by ecologists globally as an efficient and non-invasive method to monitor animals. While it is time-consuming to manually label the collected images, recent advances in deep learning and computer vision has made it possible to automating this process [1]. A major obstacle to this is the generalisability of these models when applying these images to independently collected data from other parts of the world [2]. Here, we use a deep active learning workflow [3], and train a model that is applicable to camera trap images collected in Hong Kong.
Abstract（参考訳）: カメラトラップは、動物を監視するための効率的で非侵襲的な方法として、世界中の生態学者によって使用されている。収集した画像を手動でラベル付けするのは時間を要するが、近年のディープラーニングとコンピュータビジョンの進歩により、このプロセスの自動化が可能になった[1]。これに対する大きな障害は、これらのイメージを世界の他の部分から独立に収集されたデータに適用する際の、これらのモデルの一般化性である([2])。ここでは,深層学習ワークフロー[3]を用いて,香港で収集されたカメラトラップ画像に適用可能なモデルを訓練する。

関連論文リスト

Learning the 3D Fauna of the Web [70.01196719128912]
3D-Faunaは,100種以上の動物種を対象に,パンカテゴリーで変形可能な3D動物モデルを共同で学習する手法である。動物モデリングにおける重要なボトルネックの1つは、トレーニングデータの可用性の制限である。従来のカテゴリー固有の試みは,訓練画像に制限のある希少種への一般化に失敗することを示す。
論文参考訳（メタデータ） (2024-01-04T18:32:48Z)
Multimodal Foundation Models for Zero-shot Animal Species Recognition in Camera Trap Images [57.96659470133514]
モーションアクティベートカメラトラップは、世界中の野生生物を追跡・監視するための効率的なツールである。教師付き学習技術は、そのような画像を分析するためにうまく展開されているが、そのような訓練には専門家のアノテーションが必要である。コストのかかるラベル付きデータへの依存を減らすことは、人間の労働力を大幅に減らした大規模野生生物追跡ソリューションを開発する上で、大きな可能性を秘めている。
論文参考訳（メタデータ） (2023-11-02T08:32:00Z)
Automated wildlife image classification: An active learning tool for ecological applications [0.44970015278813025]
野生生物カメラトラップ画像は、動物の豊富さ、生息環境の関連、行動を調べるために広く利用されている。人工知能システムは、このタスクを引き継ぐことができるが、通常は十分なパフォーマンスを達成するために、既にラベル付けされた多数のトレーニングイメージを必要とする。我々は,中小の画像データベースを持つ研究者が,現代の機械学習の可能性を活用できるラベル効率のよい学習戦略を提案する。
論文参考訳（メタデータ） (2023-03-28T08:51:15Z)
SEAL: Self-supervised Embodied Active Learning using Exploration and 3D Consistency [122.18108118190334]
本稿では,SEAL(Self-Embodied Embodied Active Learning)というフレームワークを提案する。インターネットイメージ上で訓練された知覚モデルを使用して、積極的な探索ポリシーを学ぶ。我々は3Dセマンティックマップを用いて、行動と知覚の両方を、完全に自己管理された方法で学習する。
論文参考訳（メタデータ） (2021-12-02T06:26:38Z)
Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文参考訳（メタデータ） (2021-04-05T14:15:49Z)
A first step towards automated species recognition from camera trap images of mammals using AI in a European temperate forest [0.0]
本稿では,ポーランド bialowieza forest (bf) における哺乳類のカメラトラップ画像の自動ラベリングのためのyolov5アーキテクチャの実装について述べる。カメラトラップデータは、大規模な野生動物の監視プロジェクトを管理するためのオープンソースアプリケーションであるTRAPPERソフトウェアを使用して整理および調和されました。提案する画像認識パイプラインは, bfにおける中型・大型哺乳類12種の同定において, 85%f1-scoreの平均精度を達成した。
論文参考訳（メタデータ） (2021-03-19T22:48:03Z)
3D Registration for Self-Occluded Objects in Context [66.41922513553367]
このシナリオを効果的に処理できる最初のディープラーニングフレームワークを紹介します。提案手法はインスタンスセグメンテーションモジュールとポーズ推定モジュールから構成される。これにより、高価な反復手順を必要とせず、ワンショットで3D登録を行うことができます。
論文参考訳（メタデータ） (2020-11-23T08:05:28Z)
WhoAmI: An Automatic Tool for Visual Recognition of Tiger and Leopard Individuals in the Wild [3.1708876837195157]
我々は,動物を識別し,動物の種類を特定し,2種の個体を識別する自動アルゴリズムを開発した。本研究では,南インドのジャングルに記録されたカメラトラップ画像のデータセットに対するアプローチの有効性を示す。
論文参考訳（メタデータ） (2020-06-17T16:17:46Z)
Automatic Detection and Recognition of Individuals in Patterned Species [4.163860911052052]
我々は,異なるパターンの個体の自動検出と認識のための枠組みを開発する。我々は最近提案したFaster-RCNNオブジェクト検出フレームワークを用いて画像中の動物を効率的に検出する。我々は,シマウマおよびジャガー画像の認識システムを評価し,他のパターンの種への一般化を示す。
論文参考訳（メタデータ） (2020-05-06T15:29:21Z)
Transferring Dense Pose to Proximal Animal Classes [83.84439508978126]
より一般的な対象検出器やセグメンタなどと同様に、密集したポーズ認識に存在する知識を、他のクラスにおける密集したポーズ認識の問題に移すことが可能であることを示す。我々は、人間と幾何学的に整合した新しい動物のためのDensePoseモデルを確立することでこれを行う。また、クラスチンパンジーにDensePoseの方法でラベル付けされた2つのベンチマークデータセットを導入し、アプローチを評価するためにそれらを使用します。
論文参考訳（メタデータ） (2020-02-28T21:43:53Z)

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。