論文の概要: SPOTS-10: Animal Pattern Benchmark Dataset for Machine Learning Algorithms
- arxiv url: http://arxiv.org/abs/2410.21044v1
- Date: Mon, 28 Oct 2024 14:00:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-29 12:22:18.997377
- Title: SPOTS-10: Animal Pattern Benchmark Dataset for Machine Learning Algorithms
- Title（参考訳）: SPOTS-10: 機械学習アルゴリズムのための動物パターンベンチマークデータセット
- Authors: John Atanbori,
- Abstract要約: SPOTS-10(SPOTS-10)は、動物10種における多様なパターンを示す大規模な画像集である。
このデータセットは、その場で機械学習アルゴリズムを評価するためのリソースである。
トレーニングセットは4万の画像で構成され、テストセットは1万の画像を含んでいる。
- 参考スコア（独自算出の注目度）: 0.08158530638728499
- License:
- Abstract: Recognising animals based on distinctive body patterns, such as stripes, spots, or other markings, in night images is a complex task in computer vision. Existing methods for detecting animals in images often rely on colour information, which is not always available in night images, posing a challenge for pattern recognition in such conditions. Nevertheless, recognition at night-time is essential for most wildlife, biodiversity, and conservation applications. The SPOTS-10 dataset was created to address this challenge and to provide a resource for evaluating machine learning algorithms in situ. This dataset is an extensive collection of grayscale images showcasing diverse patterns found in ten animal species. Specifically, SPOTS-10 contains 50,000 32 x 32 grayscale images, divided into ten categories, with 5,000 images per category. The training set comprises 40,000 images, while the test set contains 10,000 images. The SPOTS-10 dataset is freely available on the project GitHub page: https://github.com/Amotica/SPOTS-10.git by cloning the repository.
- Abstract（参考訳）: 夜間画像において、ストライプ、斑点、その他のマーキングなどの独特の身体パターンに基づく動物を認識することは、コンピュータビジョンにおいて複雑な作業である。
画像中の動物を検出できる既存の方法はしばしば色情報に依存しており、夜間画像では必ずしも利用できないため、そのような状況下ではパターン認識が困難である。
それでも、夜間の認識は、ほとんどの野生生物、生物多様性、および保護用途に不可欠である。
SPOTS-10データセットは、この課題に対処し、その場で機械学習アルゴリズムを評価するためのリソースを提供するために作成された。
このデータセットは、10種の動物で見られる多様なパターンを示すグレースケール画像の広範なコレクションである。
具体的には、SPOTS-10は5万の32×32グレースケールの画像を10のカテゴリに分割し、1つのカテゴリに5000の画像を格納する。
トレーニングセットは4万の画像で構成され、テストセットは1万の画像を含んでいる。
SPOTS-10データセットは、GitHubのプロジェクトページ(https://github.com/Amotica/SPOTS-10.git)で自由に入手できる。
関連論文リスト
- Perceptual Artifacts Localization for Image Synthesis Tasks [59.638307505334076]
我々は10,168個の画像からなる新しいデータセットを導入し,それぞれに知覚的アーティファクトラベルを付加した。
提案したデータセットに基づいてトレーニングされたセグメンテーションモデルは、さまざまなタスクにまたがるアーティファクトを効果的にローカライズする。
生成した画像の知覚的アーティファクトをシームレスに修正する,革新的なズームイン・インペインティングパイプラインを提案する。
論文 参考訳（メタデータ） (2023-10-09T10:22:08Z) - Bugs in the Data: How ImageNet Misrepresents Biodiversity [98.98950914663813]
ImageNet-1k検証セットで野生動物を表す269のクラスから13450の画像を解析した。
多くのクラスが未定義あるいは重複しており、画像の12%が誤ってラベル付けされていることがわかった。
また,ImageNet-1kに含まれる野生生物関連ラベルと画像の両方が,地理的,文化的に有意な偏見を呈していることがわかった。
論文 参考訳（メタデータ） (2022-08-24T17:55:48Z) - VizWiz-FewShot: Locating Objects in Images Taken by People With Visual
Impairments [74.72656607288185]
我々は、撮影した画像の視覚的内容について真に学ぼうとしていた写真家を起源とする、数発のローカライゼーションデータセットを紹介した。
視覚障害者が撮影した4500枚以上の画像に、100のカテゴリの約10,000のセグメンテーションが含まれている。
既存の数発のオブジェクト検出やインスタンスセグメンテーションデータセットと比較して、私たちのデータセットは、オブジェクトの穴を見つける最初のものです。
論文 参考訳（メタデータ） (2022-07-24T20:44:51Z) - Oracle-MNIST: a Realistic Image Dataset for Benchmarking Machine
Learning Algorithms [57.29464116557734]
我々は,古文字30,222文字の28ドルのグレースケール画像からなるOracle-MNISTデータセットを紹介した。
トレーニングセットは完全に27,222枚の画像で構成され、テストセットにはクラス毎に300枚の画像が含まれている。
論文 参考訳（メタデータ） (2022-05-19T09:57:45Z) - cofga: A Dataset for Fine Grained Classification of Objects from Aerial
Imagery [2.169919643934826]
細粒度分類研究の発展のための新しいオープンデータセットであるCOFGAを紹介する。
データセットの2,104枚の画像は、地上515cmの地中撮影システムから収集される。
14256個の注釈付きオブジェクトは、2つのクラス、15のサブクラス、14のユニークな特徴、8の知覚された色に分類された。
論文 参考訳（メタデータ） (2021-05-26T18:39:47Z) - Museum Painting Retrieval [0.0]
古典的なコンピュータビジョン技術を用いて,美術館画像コレクション内の絵画のサンプル検索システムを構築した。
画像中の異なる摂動を持つデータセットにおける色,テクスチャ,テキスト,特徴記述子の性能を検討する。
論文 参考訳（メタデータ） (2021-05-11T09:28:14Z) - Object Detection in Aerial Images: A Large-Scale Benchmark and
Challenges [124.48654341780431]
航空画像(DOTA)におけるオブジェクトデテクションの大規模データセットとODAIの総合的ベースラインについて述べる。
提案するDOTAデータセットは,11,268個の空中画像から収集した18カテゴリのオブジェクト指向ボックスアノテーションの1,793,658個のオブジェクトインスタンスを含む。
70以上の構成を持つ10の最先端アルゴリズムをカバーするベースラインを構築し,各モデルの速度と精度を評価した。
論文 参考訳（メタデータ） (2021-02-24T11:20:55Z) - How many images do I need? Understanding how sample size per class
affects deep learning model performance metrics for balanced designs in
autonomous wildlife monitoring [0.0]
本研究では,各クラス(種目)のサンプルサイズを段階的に増加させるために,ディープラーニングモデルの性能に関する課題を深く検討する。
我々は,動物種毎の画像の精度を推定するための近似式を生態学者に提供する。
論文 参考訳（メタデータ） (2020-10-16T06:28:35Z) - Automatic Detection and Recognition of Individuals in Patterned Species [4.163860911052052]
我々は,異なるパターンの個体の自動検出と認識のための枠組みを開発する。
我々は最近提案したFaster-RCNNオブジェクト検出フレームワークを用いて画像中の動物を効率的に検出する。
我々は,シマウマおよびジャガー画像の認識システムを評価し,他のパターンの種への一般化を示す。
論文 参考訳（メタデータ） (2020-05-06T15:29:21Z) - 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。