論文の概要: Metadata augmented deep neural networks for wild animal classification

• arxiv url: http://arxiv.org/abs/2409.04825v1
• Date: Sat, 7 Sep 2024 13:36:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-10 20:31:31.271195
• Title: Metadata augmented deep neural networks for wild animal classification
• Title（参考訳）: 野生動物分類のためのメタデータ強化ディープニューラルネットワーク
• Authors: Aslak Tøn, Ammar Ahmed, Ali Shariq Imran, Mohib Ullah, R. Muhammad Atif Azad,
• Abstract要約: 本研究では,特定のメタデータと画像データを組み合わせることにより,野生動物の分類を改善する新しいアプローチを提案する。 ノルウェーの気候に焦点を当てたデータセットを用いて、我々のモデルは既存の手法と比較して98.4%から98.9%の精度向上を示した。
• 参考スコア（独自算出の注目度）: 4.466592229376465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Camera trap imagery has become an invaluable asset in contemporary wildlife surveillance, enabling researchers to observe and investigate the behaviors of wild animals. While existing methods rely solely on image data for classification, this may not suffice in cases of suboptimal animal angles, lighting, or image quality. This study introduces a novel approach that enhances wild animal classification by combining specific metadata (temperature, location, time, etc) with image data. Using a dataset focused on the Norwegian climate, our models show an accuracy increase from 98.4% to 98.9% compared to existing methods. Notably, our approach also achieves high accuracy with metadata-only classification, highlighting its potential to reduce reliance on image quality. This work paves the way for integrated systems that advance wildlife classification technology.
• Abstract（参考訳）: カメラトラップ画像は、現代の野生動物の監視において重要な資産となり、研究者は野生動物の行動を観察し、調査することができるようになった。 既存の手法は分類のための画像データのみに頼っているが、最適な動物角度、照明、画像品質の場合に十分ではないかもしれない。 本研究では,特定のメタデータ(温度,位置,時間など)と画像データを組み合わせることにより,野生動物の分類を向上する手法を提案する。 ノルウェーの気候に焦点を当てたデータセットを用いて、我々のモデルは既存の手法と比較して98.4%から98.9%の精度向上を示した。 また,メタデータのみの分類でも高い精度を実現し,画像品質への依存を減らす可能性を強調した。 この研究は、野生生物の分類技術を進化させる統合システムへの道を開いた。

関連論文リスト

• 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)
• Effective Data Augmentation With Diffusion Models [65.09758931804478]
  我々は、事前訓練されたテキスト・画像拡散モデルによりパラメータ化された画像・画像変換によるデータ拡張の多様性の欠如に対処する。 本手法は,市販の拡散モデルを用いて画像のセマンティクスを編集し,いくつかのラベル付き例から新しい視覚概念に一般化する。 本手法は,実世界の雑草認識タスクと数ショット画像分類タスクにおいて評価し,テスト領域における精度の向上を観察する。
  論文  参考訳（メタデータ） (2023-02-07T20:42:28Z)
• Application of deep learning to camera trap data for ecologists in planning / engineering -- Can captivity imagery train a model which generalises to the wild? [0.0]
  ディープラーニングモデルは、カメラトラップ画像内の動物を自動的に検出し、分類するように訓練することができる。 本研究は,稀少動物の画像を用いて訓練データセットを生成する手法を提案する。
  論文  参考訳（メタデータ） (2021-11-24T21:29:14Z)
• Region-level Active Learning for Cluttered Scenes [60.93811392293329]
  本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。 その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
  論文  参考訳（メタデータ） (2021-08-20T14:02:38Z)
• Florida Wildlife Camera Trap Dataset [48.99466876948454]
  フロリダ州南西部の2つの異なる場所から収集された野生生物カメラトラップ分類データセットについて紹介する。 データセットは104,495枚の画像からなり、視覚的に類似した種、様々な照明条件、スキュードクラス分布、絶滅危惧種のサンプルを含む。
  論文  参考訳（メタデータ） (2021-06-23T18:53:15Z)
• Image-to-Image Translation of Synthetic Samples for Rare Classes [3.04585143845864]
  いくつか例から学ぶことは、ディープラーニングベースの分類アルゴリズムの課題として知られている。 これらの希少クラスのトレーニングデータを増やすための潜在的アプローチは、限られた実データを合成サンプルで増強することである。 これは役に立つことが示されているが、実際のデータでテストした場合、実データと合成データのドメインシフトはアプローチの有効性を妨げている。
  論文  参考訳（メタデータ） (2021-06-23T07:57:53Z)
• An explainable deep vision system for animal classification and detection in trail-camera images with automatic post-deployment retraining [0.0]
  本稿では,テキサス・パークス野生生物局の管理下にあるフィールドから撮影したトレイルカメラ画像における動物検出のための自動視覚システムについて紹介する。 2段階の深層畳み込みニューラルネットワークパイプラインを実装し,動物を含む画像を第1段階で発見し,その画像を処理して第2段階の鳥を検出する。 動物分類システムは、動物画像の感度を93%、特異度を96%と分類する。鳥類検出システムは、感度を93%以上、特異度を92%、インターセクション・オーバー・ユニオン率を68%以上達成する。
  論文  参考訳（メタデータ） (2020-10-22T06:29:55Z)
• Unifying data for fine-grained visual species classification [15.14767769034929]
  465種にまたがる2.9M画像に基づいて訓練した,初期の深部畳み込みニューラルネットワークモデルを提案する。 長期的な目標は、科学者が種数と人口の健康状態のほぼリアルタイムでの分析から、保護的なレコメンデーションを行うことである。
  論文  参考訳（メタデータ） (2020-09-24T01:04:18Z)
• 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)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

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。