論文の概要: Find Rhinos without Finding Rhinos: Active Learning with Multimodal Imagery of South African Rhino Habitats

• arxiv url: http://arxiv.org/abs/2409.18104v1
• Date: Thu, 26 Sep 2024 17:49:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-27 21:27:33.337656
• Title: Find Rhinos without Finding Rhinos: Active Learning with Multimodal Imagery of South African Rhino Habitats
• Title（参考訳）: Rhinosを発見せずにRhinosを見つける - マルチモーダルによるアクティブラーニング 南アフリカのRhino Habitatsの画像
• Authors: Lucia Gordon, Nikhil Behari, Samuel Collier, Elizabeth Bondi-Kelly, Jackson A. Killian, Catherine Ressijac, Peter Boucher, Andrew Davies, Milind Tambe
• Abstract要約: サイの動きのモニタリングは保護に不可欠であるが、サイの発見が難しいため、サイの追跡は困難である。 本研究では,サイの空間行動に関する情報を提供する,ミドルデンと呼ばれる共生排便部位のマッピング手法を提案する。 本稿では,リモートセンシングサーマル,RGB,LiDAR画像を用いた分類器の構築により,サイのミッドデン位置のマッピングを初めて行う。
• 参考スコア（独自算出の注目度）: 20.205430512576797
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Much of Earth's charismatic megafauna is endangered by human activities, particularly the rhino, which is at risk of extinction due to the poaching crisis in Africa. Monitoring rhinos' movement is crucial to their protection but has unfortunately proven difficult because rhinos are elusive. Therefore, instead of tracking rhinos, we propose the novel approach of mapping communal defecation sites, called middens, which give information about rhinos' spatial behavior valuable to anti-poaching, management, and reintroduction efforts. This paper provides the first-ever mapping of rhino midden locations by building classifiers to detect them using remotely sensed thermal, RGB, and LiDAR imagery in passive and active learning settings. As existing active learning methods perform poorly due to the extreme class imbalance in our dataset, we design MultimodAL, an active learning system employing a ranking technique and multimodality to achieve competitive performance with passive learning models with 94% fewer labels. Our methods could therefore save over 76 hours in labeling time when used on a similarly-sized dataset. Unexpectedly, our midden map reveals that rhino middens are not randomly distributed throughout the landscape; rather, they are clustered. Consequently, rangers should be targeted at areas with high midden densities to strengthen anti-poaching efforts, in line with UN Target 15.7.
• Abstract（参考訳）: 地球のカリスマ性巨大動物相の多くは、アフリカにおける密猟の危機により絶滅の危険にさらされている、特にサイによって危険にさらされている。 サイの動きのモニタリングは保護に不可欠であるが、サイが解離しやすいため、残念ながら難しいことが証明されている。 そこで本研究では,サイを追尾する代わりに,サイの空間行動に関する情報を提供する「ミドルデン」と呼ばれる共同排便場所のマッピング手法を提案する。 本稿では,受動的かつアクティブな学習環境において,リモートセンシングされたサーマル,RGB,LiDAR画像を用いて,サイのミッドデン位置の初回マッピングを行う。 既存のアクティブラーニング手法は,データセットの過度なクラス不均衡により性能が低下しているため,ラベルが94%少ないパッシブラーニングモデルと競合する性能を達成するために,ランク付け手法とマルチモーダリティを用いたアクティブラーニングシステムであるMultimodalを設計する。 したがって、同様のサイズのデータセットで使用する場合、ラベル付けの時間は76時間以上節約できる。 私たちのミッドデンマップでは、サイのミドルデンがランダムに風景中に分散するのではなく、クラスタ化されていることがわかりました。 その結果、レンジャーは国連目標15.7に従って、高い中規模密度の地域を標的として、密猟対策を強化すべきである。

関連論文リスト

• MARINE: A Computer Vision Model for Detecting Rare Predator-Prey Interactions in Animal Videos [0.5999777817331317]
  この論文はモデルMARINEを提案することによってギャップに対処する。 高速動物行動用に設計されたモーションベースのフレーム選択と、訓練可能な分類ヘッドを備えたDINOv2特徴抽出を利用する。 魚の動画における捕食者攻撃の特定において、ビデオMAEよりも優れています。
  論文  参考訳（メタデータ） (2024-07-25T15:18:28Z)
• 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)
• Object counting from aerial remote sensing images: application to wildlife and marine mammals [4.812718493682454]
  人類形成活動は野生生物や海洋動物相に脅威をもたらす。 本研究は、深層学習技術を用いて、動物の計数作業を自動化する。 複雑な画像背景条件にもかかわらず、モデルは正確に動物を特定する。
  論文  参考訳（メタデータ） (2023-06-17T23:14:53Z)
• 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)
• Ranked Prioritization of Groups in Combinatorial Bandit Allocation [62.24280332575472]
  我々は,種々に対する報酬を交換する新たな盗賊的目標を提案する。 この目的をリプシッツ連続報酬関数の重み付き線型和として表すことができる。
  論文  参考訳（メタデータ） (2022-05-11T17:40:29Z)
• An Analysis of Elephants' Movement Data in Sub-Saharan Africa Using Clustering [4.226857685278872]
  サハラ以南のアフリカ地域のアフリカ・エレファントにとっての興味ある場所を特定するために,クラスタリングの利用について検討する。 南アフリカのクルーガー国立公園(KNP)、ナミビアのエトシャ国立公園、およびブルキナファソとコンゴの地域で、アフリカゾウの追跡のための公開データセットを用いて分析を行った。 予想通り、ゾウは水源周辺や人間の居住地、特に水穴のある場所を中心に動きを集結する傾向にある。
  論文  参考訳（メタデータ） (2021-11-05T14:46:41Z)
• Weakly Supervised Attention-based Models Using Activation Maps for Citrus Mite and Insect Pest Classification [7.6197178280107725]
  本研究は、小領域の分類を改善するために、注意に基づくアクティベーションマップ手法を提案する。 本稿では,Saliency Maps によるAttention-based Multiple Instance Learning Guided と呼ばれる2段階のネットワークプロセスに適用する。 われわれのアプローチでは、有能な昆虫の箱の位置を推測し、位置ラベルなしで訓練する。
  論文  参考訳（メタデータ） (2021-10-02T21:42:22Z)
• Removing Adversarial Noise in Class Activation Feature Space [160.78488162713498]
  クラスアクティベーション機能空間において,自己監視型対人訓練機構を実装することにより,対人雑音の除去を提案する。 クラスアクティベーション機能空間における敵対例と自然な例の間の距離を最小にするために、デノイジングモデルを訓練する。 経験的評価により, 従来の手法と比較して, 敵対的堅牢性が有意に向上できることが示された。
  論文  参考訳（メタデータ） (2021-04-19T10:42:24Z)
• Dual-Mandate Patrols: Multi-Armed Bandits for Green Security [67.29846393678808]
  野生生物や森林を保護するため、グリーン・セキュリティ・ドメインの保全努力は、守備隊の限られた利用範囲によって制限されている。 我々はこの問題を多武装の盗賊として定式化し、それぞれの行動がパトロール戦略を表す。 我々のアルゴリズムであるLIZARDは、カンボジアの現実世界の密猟データの性能を向上させることを示す。
  論文  参考訳（メタデータ） (2020-09-14T16:40:44Z)
• 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)

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。