論文の概要: WildFusion: Individual Animal Identification with Calibrated Similarity Fusion

• arxiv url: http://arxiv.org/abs/2408.12934v1
• Date: Fri, 23 Aug 2024 09:30:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-26 15:40:04.887608
• Title: WildFusion: Individual Animal Identification with Calibrated Similarity Fusion
• Title（参考訳）: WildFusion:Calibrated similarity Fusionを用いた個体識別
• Authors: Vojtěch Cermak, Lukas Picek, Lukáš Adam, Lukáš Neumann, Jiří Matas,
• Abstract要約: 本研究では,多様な動物種の個体識別のための新しい手法,WildFusionを提案する。 この方法は深度スコア(例えばMegaDescriptorやDINOv2)と局所的な類似性を融合させ、個々の動物を識別する。 ゼロショット設定では、WildFusionは平均精度を76.2%の17データセットで測定した。 コードと事前訓練されたモデルを公開し、エコロジーと保全の即時利用を可能にします。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a new method - WildFusion - for individual identification of a broad range of animal species. The method fuses deep scores (e.g., MegaDescriptor or DINOv2) and local matching similarity (e.g., LoFTR and LightGlue) to identify individual animals. The global and local information fusion is facilitated by similarity score calibration. In a zero-shot setting, relying on local similarity score only, WildFusion achieved mean accuracy, measured on 17 datasets, of 76.2%. This is better than the state-of-the-art model, MegaDescriptor-L, whose training set included 15 of the 17 datasets. If a dataset-specific calibration is applied, mean accuracy increases by 2.3% percentage points. WildFusion, with both local and global similarity scores, outperforms the state-of-the-art significantly - mean accuracy reached 84.0%, an increase of 8.5 percentage points; the mean relative error drops by 35%. We make the code and pre-trained models publicly available5, enabling immediate use in ecology and conservation.
• Abstract（参考訳）: 本研究では,多様な動物種の個体識別のための新しい手法,WildFusionを提案する。 この方法は、ディープスコア(例えば、MegaDescriptorまたはDINOv2)とローカルマッチング類似性(例えば、LoFTRおよびLightGlue)を融合して、個々の動物を識別する。 グローバルおよびローカル情報融合は、類似度スコアキャリブレーションにより容易となる。 ゼロショット設定では、ローカル類似度スコアのみに依存し、WildFusionは平均精度76.2%の17データセットで測定された。 これは、現在の最先端モデルであるMegaDescriptor-Lよりも優れている。 データセット固有のキャリブレーションを適用すると、平均精度は2.3%向上する。 ワイルドフュージョンは局所的な類似点とグローバルな類似点の両方で、最先端の精度を著しく上回り、平均精度は84.0%に達し、8.5ポイント上昇し、平均相対誤差は35%低下した。 コードと事前訓練されたモデルを5つ公開し、エコロジーと保全の即時利用を可能にします。

関連論文リスト

• Animal Identification with Independent Foreground and Background Modeling [21.917582794820095]
  本研究では,個々の動物の視覚的識別において,背景と前景をしっかりと活用する手法を提案する。 実験では、Segment Anythingのようなメソッドと独立のフォアグラウンドとバックグラウンド関連のモデリングで簡単に分離できることが示され、結果が改善された。
  論文  参考訳（メタデータ） (2024-08-23T09:19:34Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Exploiting Label Skews in Federated Learning with Model Concatenation [39.38427550571378]
  Federated Learning(FL)は、生データを交換することなく、さまざまなデータオーナでディープラーニングを実行するための、有望なソリューションとして登場した。 非IID型では、ラベルスキューは困難であり、画像分類やその他のタスクで一般的である。 我々は,これらの局所モデルをグローバルモデルの基礎として分解する,シンプルで効果的なアプローチであるFedConcatを提案する。
  論文  参考訳（メタデータ） (2023-12-11T10:44:52Z)
• Trust your Good Friends: Source-free Domain Adaptation by Reciprocal Neighborhood Clustering [50.46892302138662]
  我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。 提案手法は,ソースドメイン分類器と一致しない可能性のあるターゲットデータが,依然として明確なクラスタを形成しているという観測に基づいている。 本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
  論文  参考訳（メタデータ） (2023-09-01T15:31:18Z)
• BoxGraph: Semantic Place Recognition and Pose Estimation from 3D LiDAR [22.553026961366005]
  意味的に特定されたコンポーネントの完全連結グラフとして、3Dポイントクラウドをモデル化する。 グラフ間の最適アソシエーションにより、完全な6自由度(DoF)のポーズ推定と位置認識が可能になる。 この表現は非常に簡潔で、最先端に対して25の因子で写像のサイズを縮める。
  論文  参考訳（メタデータ） (2022-06-30T09:39:08Z)
• Precision-Weighted Federated Learning [1.8160945635344528]
  フェデレート学習環境で訓練されたモデルのパラメータの重み付け平均を計算する際に,勾配のばらつきを考慮した新しいアルゴリズムを提案する。 本手法は,2つの異なるデータ分割戦略 (IID/non-IID) を持つ標準画像分類データセットを用いて,資源制約環境下での手法の性能と速度を測定した。
  論文  参考訳（メタデータ） (2021-07-20T17:17:10Z)
• Comprehensive Graph-conditional Similarity Preserving Network for Unsupervised Cross-modal Hashing [97.44152794234405]
  教師なしクロスモーダルハッシュ(UCMH)は近年ホットトピックとなっている。 本稿では,dgcpn(deep graph-neighbor coherence preservation network)を考案する。 DGCPNは3種類のデータ類似性を利用して、損失を保存する包括的な類似性を管理する。
  論文  参考訳（メタデータ） (2020-12-25T07:40:59Z)
• AdaFuse: Adaptive Multiview Fusion for Accurate Human Pose Estimation in the Wild [77.43884383743872]
  本稿では,アダプティブなマルチビュー融合手法であるAdaFuseについて述べる。 我々は、Human3.6M、Total Capture、CMU Panopticの3つの公開データセットに対するアプローチを広く評価した。 また,大規模合成データセットOcclusion-Personを作成し,咬合関節の数値評価を行う。
  論文  参考訳（メタデータ） (2020-10-26T03:19:46Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。