論文の概要: Back Home: A Computer Vision Solution to Seashell Identification for Ecological Restoration

• arxiv url: http://arxiv.org/abs/2501.04873v4
• Date: Tue, 29 Jul 2025 01:45:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 12:52:36.792841
• Title: Back Home: A Computer Vision Solution to Seashell Identification for Ecological Restoration
• Title（参考訳）: バックホーム:生態修復のための貝殻識別のためのコンピュータビジョンソリューション
• Authors: Alexander Valverde, Luis Solano, André Montoya,
• Abstract要約: BackHome19Kは、海岸レベルのラベルが付加された最初の大規模画像コーパスである。 トレーニング済みの異常フィルタがアップロードされ、ユーザ生成ノイズに対する堅牢性が向上する。 システムはすでに野生生物の役人のために70万発の砲弾を1枚あたり3秒以下で処理している。
• 参考スコア（独自算出の注目度）: 44.99833362998488
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Illegal souvenir collection strips an estimated five tonnes of seashells from Costa Rica's beaches each year. Yet, once these specimens are seized, their coastal origin -- Pacific or Caribbean -- cannot be verified easily due to the lack of information, preventing their return when confiscated by local authorities. To solve this issue, we introduce BackHome19K, the first large-scale image corpus (19,058 photographs, 516 species) annotated with coast-level labels, and propose a lightweight pipeline that infers provenance in real time on a mobile-grade CPU. A trained anomaly filter pre-screens uploads, increasing robustness to user-generated noise. On a held-out test set, the classifier attains 86.3% balanced accuracy, while the filter rejects 93% of 180 out-of-domain objects with zero false negatives. Deployed as a web application, the system has already processed 70,000 shells for wildlife officers in under three seconds per image, enabling confiscated specimens to be safely repatriated to their native ecosystems. The dataset is available at https://huggingface.co/datasets/FIFCO/BackHome19K
• Abstract（参考訳）: イルガルの土産物収集では、コスタリカの海岸から毎年5トンの貝殻が採集されている。 しかし、これらの標本が押収されると、情報不足のため海岸の原産地である太平洋やカリブ海は容易には確認できないため、地元当局に没収された場合の返還を防ぐことはできない。 この問題を解決するために,海岸レベルのラベルを付加した最初の大規模画像コーパス(19,058枚,516種)であるBackHome19Kを導入し,モバイルグレードのCPU上で実効性をリアルタイムで推定する軽量パイプラインを提案する。 トレーニング済みの異常フィルタがアップロードされ、ユーザ生成ノイズに対する堅牢性が向上する。 保持されたテストセットでは、分類器は86.3%の精度を達成し、フィルタは180個のドメイン外オブジェクトの93%を否定する。 Webアプリケーションとしてデプロイされたこのシステムは、野生生物の役人のために、画像1枚につき3秒未満で70,000発のシェルを処理し、没収された標本を彼らの原生生態系に安全に送還することを可能にする。 データセットはhttps://huggingface.co/datasets/FIFCO/BackHome19Kで利用可能である。

関連論文リスト

• End-to-End Implicit Neural Representations for Classification [57.55927378696826]
  Inlicit Neural representations (INRs) は、ニューラルネットワークパラメータの信号を符号化し、信号再構成に優れた結果を示す。 INRをベースとした分類は、CNNのようなピクセルベースの手法に比べて、依然としてかなり低性能である。 本研究は,SIRENを学習段階のスキームとともに初期化するエンド・ツー・エンドの戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-23T16:02:23Z)
• BenthicNet: A global compilation of seafloor images for deep learning applications [25.466405216505166]
  BenthicNetは海底画像のグローバルコンパイルである。 最初の114万枚以上の画像が収集され、海底環境の多様性を表すためにキュレーションされた。 このコンパイルに基づいて大規模なディープラーニングモデルをトレーニングし,その予備的な結果から,大規模かつ小規模の画像解析タスクの自動化に有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-05-08T17:37:57Z)
• WhaleNet: a Novel Deep Learning Architecture for Marine Mammals Vocalizations on Watkins Marine Mammal Sound Database [49.1574468325115]
  textbfWhaleNet (Wavelet Highly Adaptive Learning Ensemble Network) は海洋哺乳動物の発声を分類するための高度な深層アンサンブルアーキテクチャである。 既存のアーキテクチャよりも8-10%の精度で分類精度を向上し、分類精度は9,7.61%である。
  論文  参考訳（メタデータ） (2024-02-20T11:36:23Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Scalable Semantic 3D Mapping of Coral Reefs with Deep Learning [4.8902950939676675]
  本稿では,エゴモーション映像から水中環境をマッピングするための新しいパラダイムを提案する。 前例のない規模で高精度な3Dセマンティックマッピングを行い,作業コストを大幅に削減した。 本手法は,サンゴ礁のサンゴ礁モニタリングを飛躍的にスケールアップする。
  論文  参考訳（メタデータ） (2023-09-22T11:35:10Z)
• Pengembangan Model untuk Mendeteksi Kerusakan pada Terumbu Karang dengan Klasifikasi Citra [3.254879465902239]
  本研究はFlickr APIを用いてFlickrから収集した923枚の画像からなる特別なデータセットを利用する。 この研究で使用される方法は、機械学習モデル、特に畳み込みニューラルネットワーク(CNN)の使用を含む。 その結果,Stock-Scratch ResNetモデルは,精度と精度で事前学習モデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-08-08T15:30:08Z)
• The identification of garbage dumps in the rural areas of Cyprus through the application of deep learning to satellite imagery [0.0]
  本研究の目的は,キプロスの農村部における不法ゴミ捨て場を特定するために,人工知能技術がどの程度活用できるかを検討することである。 これには、ゴミを含むか含まないかのどちらかに分類される可能性のある、新しい画像のデータセットの収集が含まれていた。 ニューラルネットワークは、新しい画像におけるゴミの有無を認識するために訓練された。
  論文  参考訳（メタデータ） (2023-07-23T05:24:20Z)
• Streamlined Lensed Quasar Identification in Multiband Images via Ensemble Networks [34.82692226532414]
  強いレンズを経験するクエーサーは、宇宙膨張速度、暗黒物質、およびクエーサーホスト銀河に関連する主題に独自の視点を与える。 我々は,現実的な銀河・クエーサーレンズシミュレーションに基づいて訓練された最先端畳み込みネットワーク(CNN)を組み込むことにより,新しいアプローチを開発した。 我々は親標本として約6000万個の情報源を検索し、光度測定によるクエーサーを$theta_mathrmE5$arcsecのEinstein radiiで発見した後、これを892,609個に減らした。
  論文  参考訳（メタデータ） (2023-07-03T15:09:10Z)
• Combining Photogrammetric Computer Vision and Semantic Segmentation for Fine-grained Understanding of Coral Reef Growth under Climate Change [6.335630432207172]
  サンゴはサンゴ礁に生息する生物で、海洋の4分の1を支えている。 3次元微粒なセマンティックモデリングとサンゴ礁の硬さ評価は,初めてミリ(mm)精度で完了した。
  論文  参考訳（メタデータ） (2022-12-08T08:09:57Z)
• TempNet: Temporal Attention Towards the Detection of Animal Behaviour in Videos [63.85815474157357]
  本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。 TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。 本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
  論文  参考訳（メタデータ） (2022-11-17T23:55:12Z)
• Deep object detection for waterbird monitoring using aerial imagery [56.1262568293658]
  本研究では,商用ドローンで収集した空中画像を用いて,水鳥の正確な検出,数え,監視に使用できる深層学習パイプラインを提案する。 畳み込み型ニューラルネットワークを用いた物体検出装置を用いて,テキサス沿岸の植民地性営巣島でよく見られる16種類の水鳥を検出できることを示す。
  論文  参考訳（メタデータ） (2022-10-10T17:37:56Z)
• Portuguese Man-of-War Image Classification with Convolutional Neural Networks [58.720142291102135]
  ポルトガルマン・オブ・ウォー(ポルトガル語: Man-of-war、PMW)は、長い触手を持つゼラチン質の生物である。 本稿では,InstagramのソーシャルメディアからPMW画像を認識するための畳み込みニューラルネットワークの利用について報告する。
  論文  参考訳（メタデータ） (2022-07-04T03:06:45Z)
• Coast Sargassum Level Estimation from Smartphone Pictures [0.0]
  メキシコのカリブ海で2種の海藻Sargassum natansとSargassum Fluitansが発見された。 この大量の藻の蓄積は環境と経済に大きな影響を与えた。 そこで本研究では,地上レベルのスマートフォン写真に基づいて,サルガッサムの量を推定する。
  論文  参考訳（メタデータ） (2021-09-21T18:21:45Z)
• Fast and Accurate Camera Scene Detection on Smartphones [51.424407411660376]
  本稿では,11K以上の手動クロール画像を含むカメラシーン検出データセット(CamSDD)を提案する。 本研究では,このデータセット上で上位3の99.5%の精度を示す,効率的かつNPU対応のCNNモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-17T14:06:21Z)
• Instance Segmentation of Microscopic Foraminifera [0.0629976670819788]
  本稿では, 深層学習に基づくインスタンス分割モデルを用いて, 微視的フォアミニフェラの分類, 検出, セグメンテーションを行う。 本モデルは,COCO検出データセットから得られたモデル重みパラメータを用いて,Mask R-CNNアーキテクチャに基づく。
  論文  参考訳（メタデータ） (2021-05-15T10:46:22Z)
• Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
  3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。 既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。 抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。 この課題を解決するためのハイブリッド表現学習手法を提案します。
  論文  参考訳（メタデータ） (2020-12-14T05:22:49Z)
• Deep learning for lithological classification of carbonate rock micro-CT images [52.77024349608834]
  本研究は,ブラジルのプリサルト炭酸塩岩微視的画像のパターン同定にディープラーニング技術を適用することを目的としている。 4つの畳み込みニューラルネットワークモデルが提案された。 精度によると、リサイズ画像で訓練されたモデル2は、最初の評価アプローチでは平均75.54%、2番目の評価では平均81.33%に達した。
  論文  参考訳（メタデータ） (2020-07-30T19:14:00Z)
• Temperate Fish Detection and Classification: a Deep Learning based Approach [6.282069822653608]
  本研究では,2段階の深層学習手法を提案する。 最初のステップは、種や性別によらず、画像中の各魚を検出することです。 第2のステップでは、画像中の各魚を事前フィルタリングせずに分類するために、Squeeze-and-Excitation (SE)アーキテクチャを備えた畳み込みニューラルネットワーク(CNN)を採用する。
  論文  参考訳（メタデータ） (2020-05-14T12:40:57Z)
• 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)
• Analyzing the Dependency of ConvNets on Spatial Information [81.93266969255711]
  本稿では,空間シャッフルとGAP+FCを用いて,学習段階とテスト段階の両方で空間情報を破壊する手法を提案する。 空間情報は、後続の層から小さな性能低下で削除できることを観察する。
  論文  参考訳（メタデータ） (2020-02-05T15:22:32Z)

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。