論文の概要: 8-Calves Image dataset

• arxiv url: http://arxiv.org/abs/2503.13777v1
• Date: Mon, 17 Mar 2025 23:47:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:16:16.924657
• Title: 8-Calves Image dataset
• Title（参考訳）: 8-Calvesイメージデータセット
• Authors: Xuyang Fang, Sion Hannuna, Neill Campbell,
• Abstract要約: 8-Calvesは、時間的に一貫した環境でオブジェクトの検出と識別の分類を評価するためのベンチマークである。 このデータセットは、納屋に8匹のホルシュタイン・フリース人の子牛を乗せた1時間のビデオと、箱と身元、そして900の静的なフレームを使って検出する。 牛を検知するために、600フレームで28種類のモデル(25 YOLOの変種、3つの変圧器)を微調整し、フルビデオでテストしました。 その結果、より小さなYOLOモデル(例:YOLOV9c)は、YOLOv8mベースのラベリングパイプラインの潜在的なバイアスにもかかわらず、より大きなモデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We introduce the 8-Calves dataset, a benchmark for evaluating object detection and identity classification in occlusion-rich, temporally consistent environments. The dataset comprises a 1-hour video (67,760 frames) of eight Holstein Friesian calves in a barn, with ground truth bounding boxes and identities, alongside 900 static frames for detection tasks. Each calf exhibits a unique coat pattern, enabling precise identity distinction. For cow detection, we fine-tuned 28 models (25 YOLO variants, 3 transformers) on 600 frames, testing on the full video. Results reveal smaller YOLO models (e.g., YOLOV9c) outperform larger counterparts despite potential bias from a YOLOv8m-based labeling pipeline. For identity classification, embeddings from 23 pretrained vision models (ResNet, ConvNextV2, ViTs) were evaluated via linear classifiers and KNN. Modern architectures like ConvNextV2 excelled, while larger models frequently overfit, highlighting inefficiencies in scaling. Key findings include: (1) Minimal, targeted augmentations (e.g., rotation) outperform complex strategies on simpler datasets; (2) Pretraining strategies (e.g., BEiT, DinoV2) significantly boost identity recognition; (3) Temporal continuity and natural motion patterns offer unique challenges absent in synthetic or domain-specific benchmarks. The dataset's controlled design and extended sequences (1 hour vs. prior 10-minute benchmarks) make it a pragmatic tool for stress-testing occlusion handling, temporal consistency, and efficiency. The link to the dataset is https://github.com/tonyFang04/8-calves.
• Abstract（参考訳）: 本研究では,咬合に富む時間的一貫した環境下での物体検出と識別分類を評価するベンチマークである8-Calvesデータセットを紹介する。 このデータセットは、8羽のホルシュタイン・フリーズ子牛を納屋に収めた1時間のビデオ(67,760フレーム)と、検出タスクのための900の静的フレームからなる。 それぞれの子牛は独特のコートパターンを示し、正確な識別を可能にする。 牛を検知するために、600フレームで28種類のモデル(25 YOLOの変種、3つの変圧器)を微調整し、フルビデオでテストしました。 結果は、YOLOv8mベースのラベリングパイプラインの潜在的なバイアスにもかかわらず、より小さなYOLOモデル(例えば、YOLOV9c)がより大きなモデルよりも優れていることを示している。 識別分類では,23種類の事前学習された視覚モデル(ResNet,ConvNextV2,ViTs)の埋め込みを線形分類器とKNNを用いて評価した。 ConvNextV2のようなモダンなアーキテクチャは優れているが、より大きなモデルはしばしばオーバーフィットし、スケーリングの非効率さを強調した。 主な発見は,(1)最小,目標拡大(eg,回転),(2)事前訓練戦略(eg,BEiT,DinoV2)による個人認識の大幅な向上,(3)時間的連続性と自然な動きパターンは,合成やドメイン固有のベンチマークに欠如する固有の課題を提供する。 データセットの制御された設計と拡張シーケンス(1時間と10分前のベンチマーク)は、ストレステストの閉塞処理、時間的一貫性、効率性のための実用的なツールである。 データセットへのリンクはhttps://github.com/tonyFang04/8-calvesである。

関連論文リスト

• Fluid: Scaling Autoregressive Text-to-image Generative Models with Continuous Tokens [53.99177152562075]
  視覚における自己回帰モデルのスケールアップは、大きな言語モデルほど有益でないことが証明されている。 モデルが離散トークンを使用するか、連続トークンを使用するか、BERTやGPTのようなトランスフォーマーアーキテクチャを用いてランダムまたは固定順序でトークンを生成するか、という2つの重要な要素に焦点を当てる。 その結果,すべてのモデルが検証損失の点で効果的にスケールしているのに対して,評価性能はFID,GenEvalスコア,視覚的品質などによって異なる傾向を呈することがわかった。
  論文  参考訳（メタデータ） (2024-10-17T17:59:59Z)
• Optimizing YOLO Architectures for Optimal Road Damage Detection and Classification: A Comparative Study from YOLOv7 to YOLOv10 [0.0]
  本稿では,ディープラーニングモデルを用いた道路損傷検出のための総合ワークフローを提案する。 ハードウェアの制約を満たすため、大きな画像が収穫され、軽量モデルが利用される。 提案手法では,コーディネートアテンションレイヤを備えたカスタムYOLOv7モデルや,Tiny YOLOv7モデルなど,複数のモデルアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2024-10-10T22:55:12Z)
• You Only Look at Once for Real-time and Generic Multi-Task [20.61477620156465]
  A-YOLOMは適応的でリアルタイムで軽量なマルチタスクモデルである。 我々は,統一的で合理化されたセグメンテーション構造を持つエンドツーエンドのマルチタスクモデルを開発した。 BDD100kデータセットで競合的な結果が得られます。
  論文  参考訳（メタデータ） (2023-10-02T21:09:43Z)
• DeepSeaNet: Improving Underwater Object Detection using EfficientDet [0.0]
  このプロジェクトでは、注釈付き水中データセット上で様々な物体検出モデルを実装し、評価する。 このデータセットは、Limfjorden水中で捕獲された魚、カニ、ヒトデ、その他の水生動物の注釈画像からなる。 I compare the results of YOLOv3 (31.10% mean Average Precision (mAP)), YOLOv4 (83.72% mAP), YOLOv5 (97.6%), YOLOv8 (98.20%), EfficientDet (98.56% mAP) and Detectron2 (95.20% mAP) on the same dataset。
  論文  参考訳（メタデータ） (2023-05-26T13:41:35Z)
• OOD-CV-v2: An extended Benchmark for Robustness to Out-of-Distribution Shifts of Individual Nuisances in Natural Images [59.51657161097337]
  OOD-CV-v2は、ポーズ、形状、テクスチャ、コンテキスト、気象条件の10のオブジェクトカテゴリのアウト・オブ・ディストリビューションの例を含むベンチマークデータセットである。 この新たなデータセットに加えて、一般的なベースライン手法を用いた広範な実験にも貢献する。
  論文  参考訳（メタデータ） (2023-04-17T20:39:25Z)
• MSeg: A Composite Dataset for Multi-domain Semantic Segmentation [100.17755160696939]
  セマンティックセグメンテーションデータセットを異なるドメインから統合する合成データセットであるMSegを提案する。 一般化と画素レベルのアノテーションのアライメントを調整し,2万枚以上のオブジェクトマスクを8万枚以上の画像で再現する。 MSegでトレーニングされたモデルは、WildDash-v1のリーダーボードで、トレーニング中にWildDashのデータに触れることなく、堅牢なセマンティックセグメンテーションのためにランク付けされている。
  論文  参考訳（メタデータ） (2021-12-27T16:16:35Z)
• X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
  ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。 両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
  論文  参考訳（メタデータ） (2021-10-09T13:56:48Z)
• Comparing Test Sets with Item Response Theory [53.755064720563]
  我々は,18の事前学習トランスフォーマーモデルから予測した29のデータセットを個別のテスト例で評価した。 Quoref、HellaSwag、MC-TACOは最先端のモデルを区別するのに最適である。 また、QAMRやSQuAD2.0のようなQAデータセットに使用されるスパン選択タスク形式は、強いモデルと弱いモデルとの差別化に有効である。
  論文  参考訳（メタデータ） (2021-06-01T22:33:53Z)
• The Devil is in Classification: A Simple Framework for Long-tail Object Detection and Instance Segmentation [93.17367076148348]
  本稿では,最新のロングテールLVISデータセットを用いて,最先端の2段階のインスタンスセグメンテーションモデルMask R-CNNの性能低下について検討する。 主な原因は、オブジェクト提案の不正確な分類である。 そこで本研究では,2段階のクラスバランスサンプリング手法により,分類ヘッドバイアスをより効果的に緩和する,簡単な校正フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-23T12:49:07Z)
• On the Texture Bias for Few-Shot CNN Segmentation [21.349705243254423]
  畳み込みニューラルネットワーク(CNN)は、視覚認識タスクを実行するために形状によって駆動される。 最近の証拠は、CNNのテクスチャバイアスが、大きなラベル付きトレーニングデータセットで学習するときに、より高いパフォーマンスのモデルを提供することを示している。 本稿では,特徴空間内の高周波局所成分を減衰させるために,ガウス差分(DoG)の集合を統合する新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-03-09T11:55:47Z)

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。