論文の概要: Generating Binary Species Range Maps

• arxiv url: http://arxiv.org/abs/2408.15956v1
• Date: Wed, 28 Aug 2024 17:17:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-29 15:09:00.914409
• Title: Generating Binary Species Range Maps
• Title（参考訳）: 二元種レンジマップの生成
• Authors: Filip Dorm, Christian Lange, Scott Loarie, Oisin Mac Aodha,
• Abstract要約: 種分散モデル(SDM)や、より最近では、ディープラーニングベースの変種が、潜在的な自動化された代替手段を提供する。 深層学習に基づくSDMは、特定の場所における種の存在を予測した確率を連続的に生成する。 本研究では,プレゼンスのみのデータを用いたレンジマップのバイナライズのための最適しきい値の自動同定手法について検討した。
• 参考スコア（独自算出の注目度）: 12.342459602972609
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately predicting the geographic ranges of species is crucial for assisting conservation efforts. Traditionally, range maps were manually created by experts. However, species distribution models (SDMs) and, more recently, deep learning-based variants offer a potential automated alternative. Deep learning-based SDMs generate a continuous probability representing the predicted presence of a species at a given location, which must be binarized by setting per-species thresholds to obtain binary range maps. However, selecting appropriate per-species thresholds to binarize these predictions is non-trivial as different species can require distinct thresholds. In this work, we evaluate different approaches for automatically identifying the best thresholds for binarizing range maps using presence-only data. This includes approaches that require the generation of additional pseudo-absence data, along with ones that only require presence data. We also propose an extension of an existing presence-only technique that is more robust to outliers. We perform a detailed evaluation of different thresholding techniques on the tasks of binary range estimation and large-scale fine-grained visual classification, and we demonstrate improved performance over existing pseudo-absence free approaches using our method.
• Abstract（参考訳）: 種の地理的範囲を正確に予測することは、保全活動を支援するのに不可欠である。 伝統的に、レンジマップは専門家が手作業で作成した。 しかし、種分布モデル(SDM)や、より最近のディープラーニングベースの変種は、潜在的に自動化された代替手段を提供する。 深層学習に基づくSDMは、特定の場所に種が存在すると予測される確率を連続的に生成する。 しかし、これらの予測をバイナライズするのに適切な種ごとのしきい値を選択することは、異なる種が異なるしきい値を必要とするため、自明ではない。 本研究では,プレゼンスのみのデータを用いて,範囲マップをバイナライズするための最適なしきい値を自動的に識別するアプローチについて評価する。 これには、追加の擬似存在データ生成を必要とするアプローチと、存在データのみを必要とするアプローチが含まれる。 また,既存の存在のみの手法の拡張も提案する。 本研究では,2値範囲推定と大規模視覚分類のタスクにおいて,異なるしきい値抽出手法の詳細な評価を行い,提案手法を用いて既存の擬似存在自由アプローチよりも優れた性能を示す。

関連論文リスト

• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• LD-SDM: Language-Driven Hierarchical Species Distribution Modeling [9.620416509546471]
  我々は,世界規模の存在のみのデータを用いた種分布モデリングの問題に焦点をあてる。 種間の強い暗黙の関係を捉えるため,大きな言語モデルを用いて,種の分類学的階層を符号化した。 そこで本研究では,種分布モデルの評価が可能な近接認識評価指標を提案する。
  論文  参考訳（メタデータ） (2023-12-13T18:11:37Z)
• Active Learning-Based Species Range Estimation [20.422188189640053]
  そこで本研究では,地上観測の限られた数から,種の地理的範囲を効率的に推定するための,新しいアクティブラーニング手法を提案する。 弱教師付きコミュニティで収集された観測データに基づいて訓練されたモデルを用いて,この候補範囲の集合を生成することができることを示す。 提案手法の詳細な評価を行い,1000種に対する専門家由来の範囲を含む評価データセットを用いて,既存のアクティブラーニング手法と比較した。
  論文  参考訳（メタデータ） (2023-11-03T17:45:18Z)
• Species196: A One-Million Semi-supervised Dataset for Fine-grained Species Recognition [30.327642724046903]
  種196(英: species 196)は、196科の外来種の大規模な半教師付きデータセットである。 専門家レベルの正確なアノテーションである種196-Lと、侵入種196-Uの1.2M以上のラベルのない画像を集めている。
  論文  参考訳（メタデータ） (2023-09-25T14:46:01Z)
• Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
  ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。 従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。 本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
  論文  参考訳（メタデータ） (2023-06-05T03:36:01Z)
• Habitat classification from satellite observations with sparse annotations [4.164845768197488]
  リモートセンシングデータを用いた生息地分類とマッピング手法を提案する。 この方法は、フィールドから収集された細粒度でスパースな単一ピクセルアノテーションを使用することによって特徴付けられる。 本研究では, 収穫増量, 試験時間増量, 半教師付き学習が, さらに分類の助けとなることを示す。
  論文  参考訳（メタデータ） (2022-09-26T20:14:59Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)

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。