Fugu-MT 論文翻訳(概要): Transfer Learning for Wildlife Classification: Evaluating YOLOv8 against DenseNet, ResNet, and VGGNet on a Custom Dataset

論文の概要: Transfer Learning for Wildlife Classification: Evaluating YOLOv8 against DenseNet, ResNet, and VGGNet on a Custom Dataset

arxiv url: http://arxiv.org/abs/2408.00002v2
Date: Tue, 12 Nov 2024 14:55:50 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-13 13:18:33.986316
Title: Transfer Learning for Wildlife Classification: Evaluating YOLOv8 against DenseNet, ResNet, and VGGNet on a Custom Dataset
Title（参考訳）: 野生生物分類のためのトランスファーラーニング:カスタムデータセット上でのDenseNet, ResNet, VGGNetに対するYOLOv8の評価
Authors: Subek Sharma, Sisir Dhakal, Mansi Bhavsar,
Abstract要約: この研究は、データセット上で事前学習されたモデルを微調整するために転送学習を利用する。 YOLOv8は他のモデルより優れており、トレーニング精度97.39%、バリデーションF1スコア96.50%である。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: This study evaluates the performance of various deep learning models, specifically DenseNet, ResNet, VGGNet, and YOLOv8, for wildlife species classification on a custom dataset. The dataset comprises 575 images of 23 endangered species sourced from reputable online repositories. The study utilizes transfer learning to fine-tune pre-trained models on the dataset, focusing on reducing training time and enhancing classification accuracy. The results demonstrate that YOLOv8 outperforms other models, achieving a training accuracy of 97.39% and a validation F1-score of 96.50%. These findings suggest that YOLOv8, with its advanced architecture and efficient feature extraction capabilities, holds great promise for automating wildlife monitoring and conservation efforts.
Abstract（参考訳）: 本研究では,各種深層学習モデル,特にDenseNet,ResNet,VGGNet,YOLOv8の性能を評価する。このデータセットは、信頼できるオンラインリポジトリから得られた23種の絶滅危惧種の575の画像で構成されている。この研究は、トランスファーラーニングを利用してデータセット上の事前学習されたモデルを微調整し、トレーニング時間を短縮し、分類精度を高めることに焦点を当てる。その結果、YOLOv8は他のモデルよりも優れており、トレーニング精度は97.39%、バリデーションF1スコアは96.50%である。これらの結果から, YOLOv8は高度アーキテクチャと効率的な特徴抽出機能を備えており, 野生生物の監視・保全作業の自動化に大きく貢献していることが示唆された。

関連論文リスト

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)
Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
論文参考訳（メタデータ） (2023-10-23T17:50:08Z)
On the Connection between Pre-training Data Diversity and Fine-tuning Robustness [66.30369048726145]
下流の有効ロバスト性に影響を与える主な要因はデータ量である。各種自然および合成データソースから抽出した事前学習分布について,本研究の成果を示す。
論文参考訳（メタデータ） (2023-07-24T05:36:19Z)
Ensembles of Vision Transformers as a New Paradigm for Automated Classification in Ecology [0.0]
データ効率のよい画像変換器(DeiTs)のアンサンブルが従来のSOTA(SOTA)よりも大幅に優れていたことを示す。テストしたすべてのデータセットに対して、新しいSOTAを実現し、以前のSOTAの18.48%から87.50%の誤差を削減した。
論文参考訳（メタデータ） (2022-03-03T14:16:22Z)
Recursive Least-Squares Estimator-Aided Online Learning for Visual Tracking [58.14267480293575]
オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
論文参考訳（メタデータ） (2021-12-28T06:51:18Z)
Classification of animal sounds in a hyperdiverse rainforest using Convolutional Neural Networks [0.0]
受動的に記録された音場から機械学習アプローチによる自動種検出は有望な手法である。本研究では,ボルネオの熱帯林の音環境と,移動学習による畳み込みニューラルネットワークモデル(CNN)を用いた。以上の結果から,トランスファー学習とデータ拡張は,多くの稀な種を持つ小さなサウンドスケーププロジェクトにおいても,CNNを用いて声の分類が可能であることが示唆された。
論文参考訳（メタデータ） (2021-11-29T21:34:57Z)
A Comprehensive Study on Torchvision Pre-trained Models for Fine-grained Inter-species Classification [12.917749344429524]
本研究の目的は,PyTorchライブラリで利用可能なTorchvisionパッケージで提供される,さまざまな事前学習モデルを検討することである。猿10種, 鳥225種, 果実360種, オックスフォード102花の4つの異なるデータセット上で, 事前学習したTorchvisionモデルについて検討した。また、SpinalNetの有効性を検討するために、通常の完全接続層とSpinal完全接続層を適用した。
論文参考訳（メタデータ） (2021-10-14T00:36:02Z)
Zoo-Tuning: Adaptive Transfer from a Zoo of Models [82.9120546160422]
Zoo-Tuningは、事前訓練されたモデルのパラメータをターゲットタスクに適応的に転送することを学ぶ。我々は、強化学習、画像分類、顔のランドマーク検出など、様々なタスクに対するアプローチを評価した。
論文参考訳（メタデータ） (2021-06-29T14:09:45Z)
Deep learning with self-supervision and uncertainty regularization to count fish in underwater images [28.261323753321328]
効果的な保全活動には、効果的な人口監視が必要です。画像サンプリングによる人口のモニタリングにより、データ収集は安価で広く、侵入性が低くなっている。このようなデータから動物を数えることは、特に騒々しい画像に密に詰め込まれた場合、困難です。深層学習は多くのコンピュータビジョンタスクの最先端の手法であるが、動物を数えるためにはまだ十分に研究されていない。
論文参考訳（メタデータ） (2021-04-30T13:02:19Z)
Never Stop Learning: The Effectiveness of Fine-Tuning in Robotic Reinforcement Learning [109.77163932886413]
本稿では,ロボットによるロボット操作ポリシーを,政治以外の強化学習を通じて微調整することで,新たなバリエーションに適応する方法を示す。この適応は、タスクをゼロから学習するために必要なデータの0.2%未満を使用する。事前訓練されたポリシーを適用するという私たちのアプローチは、微調整の過程で大きなパフォーマンス向上につながります。
論文参考訳（メタデータ） (2020-04-21T17:57:04Z)

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。