論文の概要: Towards Scalable Insect Monitoring: Ultra-Lightweight CNNs as On-Device Triggers for Insect Camera Traps

• arxiv url: http://arxiv.org/abs/2411.14467v1
• Date: Mon, 18 Nov 2024 15:46:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 15:03:33.251643
• Title: Towards Scalable Insect Monitoring: Ultra-Lightweight CNNs as On-Device Triggers for Insect Camera Traps
• Title（参考訳）: スケーラブルな昆虫モニタリングに向けて:昆虫カメラトラップのオンデバイストリガーとしての超軽量CNN
• Authors: Ross Gardiner, Sareh Rowands, Benno I. Simmons,
• Abstract要約: カメラトラップは、自動化されたスケーラブルな生物多様性監視を実現する手段として登場した。 カメラトラップをトリガーする受動赤外線(PIR)センサーは、昆虫のような小型で素早く動く外惑星を検出するには適していない。 本研究は、低消費電力ハードウェア上で動作する超軽量畳み込みニューラルネットワークであるPIRトリガの代替を提案する。
• 参考スコア（独自算出の注目度）: 0.10713888959520207
• License:
• Abstract: Camera traps, combined with AI, have emerged as a way to achieve automated, scalable biodiversity monitoring. However, the passive infrared (PIR) sensors that trigger camera traps are poorly suited for detecting small, fast-moving ectotherms such as insects. Insects comprise over half of all animal species and are key components of ecosystems and agriculture. The need for an appropriate and scalable insect camera trap is critical in the wake of concerning reports of declines in insect populations. This study proposes an alternative to the PIR trigger: ultra-lightweight convolutional neural networks running on low-powered hardware to detect insects in a continuous stream of captured images. We train a suite of models to distinguish insect images from backgrounds. Our design achieves zero latency between trigger and image capture. Our models are rigorously tested and achieve high accuracy ranging from 91.8% to 96.4% AUC on validation data and >87% AUC on data from distributions unseen during training. The high specificity of our models ensures minimal saving of false positive images, maximising deployment storage efficiency. High recall scores indicate a minimal false negative rate, maximising insect detection. Further analysis with saliency maps shows the learned representation of our models to be robust, with low reliance on spurious background features. Our system is also shown to operate deployed on off-the-shelf, low-powered microcontroller units, consuming a maximum power draw of less than 300mW. This enables longer deployment times using cheap and readily available battery components. Overall we offer a step change in the cost, efficiency and scope of insect monitoring. Solving the challenging trigger problem, we demonstrate a system which can be deployed for far longer than existing designs and budgets power and bandwidth effectively, moving towards a generic insect camera trap.
• Abstract（参考訳）: カメラトラップとAIが組み合わさって、自動化されたスケーラブルな生物多様性監視を実現する手段として登場した。 しかし、カメラトラップをトリガーする受動赤外線(PIR)センサーは、昆虫のような小型で素早く動く外惑星を検出するには適していない。 昆虫はすべての動物種の半分以上を占め、生態系や農業の重要な要素である。 適切な、スケーラブルな昆虫カメラトラップの必要性は、昆虫の個体数の減少に関する報告が相次いだため、非常に重要である。 本研究では、低消費電力のハードウェア上で動作する超軽量畳み込みニューラルネットワークを用いて、キャプチャー画像の連続ストリーム中の昆虫を検知するPIRトリガーの代替案を提案する。 私たちは、昆虫のイメージと背景を区別する一連のモデルを訓練します。 我々の設計では、トリガと画像キャプチャ間の遅延をゼロにする。 我々のモデルは厳密にテストされ、検証データでは91.8%から96.4%AUC、トレーニング中に見えない分布のデータでは87%AUCまで高い精度を実現している。 私たちのモデルの高特異性は、偽陽性画像の最小限の保存を保証し、デプロイメントのストレージ効率を最大化します。 高いリコールスコアは、最小の偽陰性率を示し、昆虫検出を最大化する。 サリエンシマップによるさらなる分析は、学習したモデルの堅牢性を示し、素早い背景特徴に依存しないことを示している。 また,本システムでは,300mW以下で最大出力を消費し,市販の低出力マイクロコントローラユニットで運用することも示されている。 これにより、安価で簡単に利用可能なバッテリコンポーネントを使用したデプロイメント時間の短縮が可能になる。 全体として、昆虫モニタリングのコスト、効率、スコープを段階的に変更します。 課題を解決し、既存の設計や予算、帯域幅よりはるかに長く展開できるシステムを実証し、汎用的な昆虫カメラトラップへと移行した。

関連論文リスト

• Effective and Efficient Adversarial Detection for Vision-Language Models via A Single Vector [97.92369017531038]
  Diverse hArmful Responses (RADAR) を用いた新しい laRge-scale Adervsarial 画像データセットを構築した。 そこで我々は,視覚言語モデル (VLM) の隠れ状態から抽出した1つのベクトルを利用して,入力中の良質な画像に対して対向画像を検出する,新しいiN時間埋め込み型AdveRSarial Image Detectction (NEARSIDE) 法を開発した。
  論文  参考訳（メタデータ） (2024-10-30T10:33:10Z)
• CamLoPA: A Hidden Wireless Camera Localization Framework via Signal Propagation Path Analysis [59.86280992504629]
  CamLoPAは、トレーニング不要の無線カメラ検出およびローカライゼーションフレームワークである。 低コストの商用オフ・ザ・シェルフ(COTS)デバイスを使用して、最小限の活動空間制約で運用する。 95.37%のスヌーピングカメラ検出精度と17.23の平均位置誤差を達成する。
  論文  参考訳（メタデータ） (2024-09-23T16:23:50Z)
• Multisensor Data Fusion for Automatized Insect Monitoring (KInsecta) [32.57872751877726]
  本稿では,昆虫の分類にAIを用いたデータ融合を用いたマルチセンサ手法を提案する。 このシステムは低コストのセットアップとして設計されており、カメラモジュールと光ウィングビートセンサーで構成されている。 7種の種でセットされた、非常にバランスの取れない小さなデータセットの最初のテストは、種分類に有望な結果を示した。
  論文  参考訳（メタデータ） (2024-04-29T08:46:43Z)
• Removing Human Bottlenecks in Bird Classification Using Camera Trap Images and Deep Learning [0.14746127876003345]
  鳥類の個体数を監視することは生態学者にとって不可欠である。 カメラトラップ、音響モニター、ドローンなどの技術は、非侵襲的な監視方法を提供する。 監視にカメラトラップを使用する場合の主な問題は2つある。a) カメラは多くの画像を生成し、タイムリーにデータを処理し分析することが困難になる。 本稿では,鳥種のリアルタイム分類にディープラーニングを活用することによって,これらの問題を克服するためのアプローチを概説する。
  論文  参考訳（メタデータ） (2023-05-03T13:04:39Z)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• Fewer is More: Efficient Object Detection in Large Aerial Images [59.683235514193505]
  本稿では,検出者がより少ないパッチに注目するのに対して,より効率的な推論とより正確な結果を得るのに役立つObjectness Activation Network(OAN)を提案する。 OANを用いて、5つの検出器は3つの大規模な空中画像データセットで30.0%以上のスピードアップを取得する。 我々はOANをドライブシーン物体検出と4Kビデオ物体検出に拡張し,検出速度をそれぞれ112.1%,75.0%向上させた。
  論文  参考訳（メタデータ） (2022-12-26T12:49:47Z)
• Motion Informed Object Detection of Small Insects in Time-lapse Camera Recordings [1.3965477771846408]
  タイムラプスRGB画像における昆虫検出のためのパイプラインを提案する。 モーション・インフォームド・エンハンスメント(Motion-Informed-Enhancement)技術は、動きと色を使って画像中の昆虫を強化する。 You Only Look Once (YOLO) と Faster Region-based CNN (Faster R-CNN) によるディープラーニング物体検出法の改良
  論文  参考訳（メタデータ） (2022-12-01T10:54:06Z)
• A Multi-Stage model based on YOLOv3 for defect detection in PV panels based on IR and Visible Imaging by Unmanned Aerial Vehicle [65.99880594435643]
  本研究では,無人航空機が捉えた空中画像のパネル欠陥を検出するための新しいモデルを提案する。 このモデルは、パネルと欠陥の検出を組み合わせることで、精度を向上する。 提案モデルはイタリア南部の2つの大きなPVプラントで検証されている。
  論文  参考訳（メタデータ） (2021-11-23T08:04:32Z)
• Towards Adversarial Patch Analysis and Certified Defense against Crowd Counting [61.99564267735242]
  安全クリティカルな監視システムの重要性から、群衆のカウントは多くの注目を集めています。 近年の研究では、ディープニューラルネットワーク(DNN)の手法が敵の攻撃に弱いことが示されている。 群衆カウントモデルのロバスト性を評価するために,Momentumを用いた攻撃戦略としてAdversarial Patch Attackを提案する。
  論文  参考訳（メタデータ） (2021-04-22T05:10:55Z)
• Enhancing LGMD's Looming Selectivity for UAV with Spatial-temporal Distributed Presynaptic Connections [5.023891066282676]
  自然界では、単純な視覚システムを持つ飛行昆虫は、複雑な環境での衝突をナビゲートし回避する優れた能力を示している。 飛んでいる昆虫の視覚ニューロンとして、LGMDはUAVの衝突検知システムを構築するための理想的な基盤であると考えられている。 既存のLGMDモデルは、複雑な背景運動のような他の視覚的手がかりと明確に区別することはできない。 分散空間-時間的シナプス相互作用を実装した新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-05-09T09:15:02Z)
• A Time-Delay Feedback Neural Network for Discriminating Small, Fast-Moving Targets in Complex Dynamic Environments [8.645725394832969]
  複雑な視覚環境の中で小さな移動物体を識別することは、自律型マイクロロボットにとって重要な課題である。 フィードバック接続を備えたSTMDベースのニューラルネットワーク(Feedback STMD)を提案する。
  論文  参考訳（メタデータ） (2019-12-29T03:10:36Z)

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。