論文の概要: Evaluating Transfer Learning in Deep Learning Models for Classification on a Custom Wildlife Dataset: Can YOLOv8 Surpass Other Architectures?
- arxiv url: http://arxiv.org/abs/2408.00002v1
- Date: Wed, 10 Jul 2024 15:03:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 05:35:40.091436
- Title: Evaluating Transfer Learning in Deep Learning Models for Classification on a Custom Wildlife Dataset: Can YOLOv8 Surpass Other Architectures?
- Title（参考訳）: カスタム野生生物データセットの分類のための深層学習モデルにおける伝達学習の評価 : YOLOv8は他のアーキテクチャを乗り越えられるか?
- Authors: Subek Sharma, Sisir Dhakal, Mansi Bhavsar,
- Abstract要約: 現在の人間主導の監視技術は、エラーを起こしやすく、労働集約的である。
本稿では,畳み込みニューラルネットワーク(CNN)や伝達学習などのディープラーニング手法の適用について検討する。
その結果, YOLOv8の精度は97.39%, F1スコア96.50%であった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Biodiversity plays a crucial role in maintaining the balance of the ecosystem. However, poaching and unintentional human activities contribute to the decline in the population of many species. Hence, active monitoring is required to preserve these endangered species. Current human-led monitoring techniques are prone to errors and are labor-intensive. Therefore, we study the application of deep learning methods like Convolutional Neural Networks (CNNs) and transfer learning, which can aid in automating the process of monitoring endangered species. For this, we create our custom dataset utilizing trustworthy online databases like iNaturalist and ZooChat. To choose the best model for our use case, we compare the performance of different architectures like DenseNet, ResNet, VGGNet, and YOLOv8 on the custom wildlife dataset. Transfer learning reduces training time by freezing the pre-trained weights and replacing only the output layer with custom, fully connected layers designed for our dataset. Our results indicate that YOLOv8 performs better, achieving a training accuracy of 97.39 % and an F1 score of 96.50 %, surpassing other models. Our findings suggest that integrating YOLOv8 into conservation efforts could revolutionize wildlife monitoring with its high accuracy and efficiency, potentially transforming how endangered species are monitored and protected worldwide.
- Abstract（参考訳）: 生物多様性は生態系のバランスを維持する上で重要な役割を担っている。
しかし、密猟と意図しない人間の活動は多くの種の個体数の減少に寄与する。
したがって、これらの絶滅危惧種の保全には活発なモニタリングが必要である。
現在の人間主導の監視技術は、エラーを起こしやすく、労働集約的である。
そこで本研究では,絶滅危惧種のモニタリングプロセスの自動化を支援する,畳み込みニューラルネットワーク(CNN)や伝達学習などのディープラーニング手法の適用について検討する。
そのため、iNaturalistやZooChatといった信頼できるオンラインデータベースを利用したカスタムデータセットを作成します。
ユースケースに最適なモデルを選択するために、DenseNet、ResNet、VGGNet、YOLOv8といったさまざまなアーキテクチャのパフォーマンスを、カスタムの野生生物データセットで比較します。
転送学習は、トレーニング済みの重みを凍結し、出力層のみをデータセット用に設計されたカスタムで完全に接続されたレイヤに置き換えることで、トレーニング時間を短縮する。
その結果, YOLOv8は, トレーニング精度97.39%, F1スコア96.50%を達成し, 他のモデルを上回る性能を示した。
ヨロブ8を保護活動に組み込むことで、野生生物のモニタリングの精度と効率が向上し、絶滅危惧種が世界規模で監視・保護されているかが変わる可能性が示唆された。
関連論文リスト
- Self-Supervised Learning in Deep Networks: A Pathway to Robust Few-Shot Classification [0.0]
まず、ラベルのない大量のデータから共通特徴表現を学習できるように、自己スーパービジョンでモデルを事前訓練する。
その後、数ショットのデータセットMini-ImageNetで微調整を行い、限られたデータの下でモデルの精度と一般化能力を改善する。
論文 参考訳（メタデータ） (2024-11-19T01:01:56Z) - Optimizing YOLO Architectures for Optimal Road Damage Detection and Classification: A Comparative Study from YOLOv7 to YOLOv10 [0.0]
本稿では,ディープラーニングモデルを用いた道路損傷検出のための総合ワークフローを提案する。
ハードウェアの制約を満たすため、大きな画像が収穫され、軽量モデルが利用される。
提案手法では,コーディネートアテンションレイヤを備えたカスタムYOLOv7モデルや,Tiny YOLOv7モデルなど,複数のモデルアーキテクチャを採用している。
論文 参考訳（メタデータ） (2024-10-10T22:55:12Z) - Efficient Transferability Assessment for Selection of Pre-trained Detectors [63.21514888618542]
本稿では,事前学習対象検出器の効率的な伝達性評価について検討する。
我々は、事前訓練された検出器の大規模で多様な動物園を含む検出器転送性ベンチマークを構築した。
実験により,本手法は伝達性の評価において,他の最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2024-03-14T14:23:23Z) - MelNet: A Real-Time Deep Learning Algorithm for Object Detection [0.0]
MelNetはオブジェクト検出のための新しいディープラーニングアルゴリズムである。
KITTIデータセット専用のトレーニングも150時間後にEfficientDetを超えている。
論文 参考訳（メタデータ） (2024-01-31T16:27:47Z) - Exploring the Effectiveness of Dataset Synthesis: An application of
Apple Detection in Orchards [68.95806641664713]
本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。
我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。
その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
論文 参考訳（メタデータ） (2023-06-20T09:46:01Z) - DeepSeaNet: Improving Underwater Object Detection using EfficientDet [0.0]
このプロジェクトでは、注釈付き水中データセット上で様々な物体検出モデルを実装し、評価する。
このデータセットは、Limfjorden水中で捕獲された魚、カニ、ヒトデ、その他の水生動物の注釈画像からなる。
I compare the results of YOLOv3 (31.10% mean Average Precision (mAP)), YOLOv4 (83.72% mAP), YOLOv5 (97.6%), YOLOv8 (98.20%), EfficientDet (98.56% mAP) and Detectron2 (95.20% mAP) on the same dataset。
論文 参考訳（メタデータ） (2023-05-26T13:41:35Z) - Effective Robustness against Natural Distribution Shifts for Models with
Different Training Data [113.21868839569]
効果的ロバスト性」は、分配内(ID)性能から予測できる以上の余分な分配外ロバスト性を測定する。
異なるデータに基づいてトレーニングされたモデルの有効ロバスト性を評価・比較するための新しい評価指標を提案する。
論文 参考訳（メタデータ） (2023-02-02T19:28:41Z) - Implementing a Real-Time, YOLOv5 based Social Distancing Measuring
System for Covid-19 [0.0]
我々はカスタムモデル YOLOv5 modified CSP (Cross Stage partial Network) を開発した。
我々はCOCOとVisdroneのデータセットの性能をトランスファー学習の有無で評価した。
本研究は, 社会的距離を逸脱した人物の同定に成功していることを示す。
論文 参考訳（メタデータ） (2022-04-07T10:42:30Z) - Self-Supervised Pre-Training for Transformer-Based Person
Re-Identification [54.55281692768765]
トランスフォーマーに基づく教師付き事前訓練は、人物再識別(ReID)において大きなパフォーマンスを達成する
ImageNetとReIDデータセットのドメインギャップのため、通常、パフォーマンスを高めるために、より大きなトレーニング済みデータセットが必要です。
この研究は、データとモデル構造の観点から、事前トレーニングデータセットとReIDデータセットのギャップを軽減することを目的としている。
論文 参考訳（メタデータ） (2021-11-23T18:59:08Z) - 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) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z)
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。