論文の概要: Improving Wildlife Out-of-Distribution Detection: Africas Big Five

• arxiv url: http://arxiv.org/abs/2506.06719v1
• Date: Sat, 07 Jun 2025 09:02:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.450312
• Title: Improving Wildlife Out-of-Distribution Detection: Africas Big Five
• Title（参考訳）: アフリカで野生生物のアウトオブディストリビューション(動画)
• Authors: Mufhumudzi Muthivhi, Jiahao Huo, Fredrik Gustafsson, Terence L. van Zyl,
• Abstract要約: 本研究では,野生生物,特にビッグファイブの分布外検出について検討した。 我々は,NCM(Nearest Class Mean)と非パラメトリックコントラスト学習アプローチをベースラインとして,一般的な分類エンコーダの事前学習および予測機能を活用する。 その結果、特徴に基づく手法は、様々な分類しきい値にまたがるより強力な一般化能力を反映していることがわかった。
• 参考スコア（独自算出の注目度）: 0.3391919845593557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mitigating human-wildlife conflict seeks to resolve unwanted encounters between these parties. Computer Vision provides a solution to identifying individuals that might escalate into conflict, such as members of the Big Five African animals. However, environments often contain several varied species. The current state-of-the-art animal classification models are trained under a closed-world assumption. They almost always remain overconfident in their predictions even when presented with unknown classes. This study investigates out-of-distribution (OOD) detection of wildlife, specifically the Big Five. To this end, we select a parametric Nearest Class Mean (NCM) and a non-parametric contrastive learning approach as baselines to take advantage of pretrained and projected features from popular classification encoders. Moreover, we compare our baselines to various common OOD methods in the literature. The results show feature-based methods reflect stronger generalisation capability across varying classification thresholds. Specifically, NCM with ImageNet pre-trained features achieves a 2%, 4% and 22% improvement on AUPR-IN, AUPR-OUT and AUTC over the best OOD methods, respectively. The code can be found here https://github.com/pxpana/BIG5OOD
• Abstract（参考訳）: 人間と野生生物の対立の緩和は、これらの当事者間の望ましくない出会いを解決することを目的としている。 コンピュータビジョンは、ビッグファイブアフリカ動物のメンバーのような、紛争にエスカレートする可能性のある個人を特定するソリューションを提供する。 しかし、環境はしばしば様々な種を含む。 現在の最先端の動物分類モデルは、クローズドワールドの仮定の下で訓練されている。 彼らはほとんど常に、未知のクラスを提示しても予測を過信している。 本研究では,野生生物,特にビッグファイブのアウト・オブ・ディストリビューション(OOD)の検出について検討した。 この目的のために,NCM(Nearest Class Mean)と非パラメトリックコントラスト学習アプローチをベースラインとして選択し,一般的な分類エンコーダの事前学習や予測機能を活用する。 さらに,本研究のベースラインを,文献における様々なOOD手法と比較した。 その結果、特徴に基づく手法は、様々な分類しきい値にまたがるより強力な一般化能力を反映していることがわかった。 具体的には、ImageNet事前トレーニング機能を備えたNCMは、最高のOODメソッドよりもAUPR-IN、AUPR-OUT、AUTCを2%、4%、および22%改善する。 コードはhttps://github.com/pxpana/BIG5OOD

関連論文リスト

• EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
  本稿では,長い尾を持つOOD検出の課題に対処する。 主な困難は、尾クラスに属するサンプルとOODデータを区別することである。 本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:47:13Z)
• Improving Primate Sounds Classification using Binary Presorting for Deep Learning [6.044912425856236]
  本稿では,MELスペクトル表現のサブセグメンテーションを初めてリラベルする一般化アプローチを提案する。 バイナリプリソートと分類の両方において、畳み込みニューラルネットワーク(CNN)と様々なデータ拡張技術を利用する。 本研究は,異なる霊長類種の音の分類を課題とする,挑戦的なTextitComparE 2021データセットについて,本手法の結果を紹介する。
  論文  参考訳（メタデータ） (2023-06-28T09:35:09Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• Fine-grain Inference on Out-of-Distribution Data with Hierarchical Classification [37.05947324355846]
  我々は,入力がよりあいまいになるにつれて,様々な粒度の予測を行うOOD検出の新しいモデルを提案する。 細粒度OODタスクと粗粒度OODタスクの階層型分類器の有効性を示す。
  論文  参考訳（メタデータ） (2022-09-09T18:52:36Z)
• Solutions for Fine-grained and Long-tailed Snake Species Recognition in SnakeCLEF 2022 [30.8004334312293]
  我々はSnakeCLEF 2022でヘビの種を認識できる方法を紹介した。 いくつかの異なるモデルのアンサンブルにより、3位にランクインしたプライベートスコア82.65%が最終リーダーボードで達成される。
  論文  参考訳（メタデータ） (2022-07-04T05:55:58Z)
• Partial and Asymmetric Contrastive Learning for Out-of-Distribution Detection in Long-Tailed Recognition [80.07843757970923]
  既存のOOD検出手法は,トレーニングセットが長距離分布している場合,大幅な性能劣化に悩まされていることを示す。 本稿では,部分的および非対称的な教師付きコントラスト学習(PASCL)を提案する。 我々の手法は従来の最先端の手法を1.29%$, $1.45%$, $0.69%$異常検出偽陽性率(FPR)と$3.24%$, 4,.06%$, 7,89%$in-distributionで上回ります。
  論文  参考訳（メタデータ） (2022-07-04T01:53:07Z)
• Adaptive Class Suppression Loss for Long-Tail Object Detection [49.7273558444966]
  アダプティブクラス抑圧損失(ACSL:Adaptive Class Suppression Loss)を考案し,尾部カテゴリの検出性能を改善する。 当社のACSLはResNet50-FPNで5.18%と5.2%の改善を実現し,新たな最先端技術を実現した。
  論文  参考訳（メタデータ） (2021-04-02T05:12:31Z)
• Probing Predictions on OOD Images via Nearest Categories [97.055916832257]
  ニューラルネットワークが未確認のクラスや破損したイメージから画像を分類する際のアウト・オブ・ディストリビューション(OOD)予測挙動について検討する。 我々は、トレーニングセットにおいて、最も近い隣人と同じラベルで分類されたOOD入力の分数を計算するため、新しい測度、最も近いカテゴリ一般化(NCG)を導入する。 我々は、OODデータがロバストネス半径よりも遥かに遠くにある場合でも、ロバストネットワークは自然訓練よりも一貫してNCG精度が高いことを発見した。
  論文  参考訳（メタデータ） (2020-11-17T07:42:27Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)

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。