論文の概要: RareSpot: Spotting Small and Rare Wildlife in Aerial Imagery with Multi-Scale Consistency and Context-Aware Augmentation
- arxiv url: http://arxiv.org/abs/2506.19087v1
- Date: Mon, 23 Jun 2025 20:03:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-25 19:48:23.369817
- Title: RareSpot: Spotting Small and Rare Wildlife in Aerial Imagery with Multi-Scale Consistency and Context-Aware Augmentation
- Title（参考訳）: RareSpot:マルチスケールの一貫性とコンテキスト認識機能を備えた航空画像における小型で希少な野生生物の発見
- Authors: Bowen Zhang, Jesse T. Boulerice, Nikhil Kuniyil, Charvi Mendiratta, Satish Kumar, Hila Shamon, B. S. Manjunath,
- Abstract要約: RareSpotは、マルチスケールの一貫性学習とコンテキスト認識強化を統合した堅牢な検出フレームワークである。
提案手法は最先端性能を実現し,ベースライン法と比較して検出精度を35%以上向上させる。
- 参考スコア（独自算出の注目度）: 6.756718879272925
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automated detection of small and rare wildlife in aerial imagery is crucial for effective conservation, yet remains a significant technical challenge. Prairie dogs exemplify this issue: their ecological importance as keystone species contrasts sharply with their elusive presence--marked by small size, sparse distribution, and subtle visual features--which undermines existing detection approaches. To address these challenges, we propose RareSpot, a robust detection framework integrating multi-scale consistency learning and context-aware augmentation. Our multi-scale consistency approach leverages structured alignment across feature pyramids, enhancing fine-grained object representation and mitigating scale-related feature loss. Complementarily, context-aware augmentation strategically synthesizes challenging training instances by embedding difficult-to-detect samples into realistic environmental contexts, significantly boosting model precision and recall. Evaluated on an expert-annotated prairie dog drone imagery benchmark, our method achieves state-of-the-art performance, improving detection accuracy by over 35% compared to baseline methods. Importantly, it generalizes effectively across additional wildlife datasets, demonstrating broad applicability. The RareSpot benchmark and approach not only support critical ecological monitoring but also establish a new foundation for detecting small, rare species in complex aerial scenes.
- Abstract（参考訳）: 航空画像における小型で希少な野生生物の自動検出は、効果的な保存に不可欠であるが、重要な技術的課題である。
キーストーン種としての生態学的重要性は、小さなサイズ、まばらな分布、微妙な視覚的特徴によって特徴付けられており、既存の検出アプローチを損なう。
これらの課題に対処するために,マルチスケールの一貫性学習とコンテキスト認識強化を統合したロバストな検出フレームワークであるRareSpotを提案する。
我々のマルチスケール一貫性アプローチは、特徴ピラミッド間の構造的アライメントを活用し、きめ細かいオブジェクト表現を強化し、スケール関連の特徴損失を軽減します。
相補的に、コンテキスト対応強化は、難しいサンプルを現実的な環境コンテキストに埋め込むことによって、困難なトレーニングインスタンスを戦略的に合成し、モデルの精度とリコールを大幅に向上させる。
提案手法は,専門家に注釈付きプレーリー・ドッグ・ドローン・イメージ・ベンチマークを用いて,最先端性能を実現し,ベースライン法と比較して検出精度を35%以上向上させる。
重要なのは、さらなる野生生物データセットを効果的に一般化し、幅広い適用性を示すことだ。
RareSpotベンチマークとアプローチは、重要な生態モニタリングをサポートするだけでなく、複雑な空域で小さな希少種を検出するための新たな基盤も確立している。
関連論文リスト
- DEAL-YOLO: Drone-based Efficient Animal Localization using YOLO [0.0]
本研究は,無人航空機(UAV)画像における小型物体検出を改善する新しい手法を提案する。
Deal-YOLO は Wise IoU (WIoU) や Normalized Wasserstein Distance (NWD) のような多目的損失関数を採用しており、バウンディングボックスの中央付近のピクセルを優先している。
このモデルはLinear Deformable (LD)畳み込みによる効率的な特徴抽出により最適化され、計算効率を維持しながら精度を向上する。
論文 参考訳（メタデータ） (2025-03-06T18:46:10Z) - MimicGait: A Model Agnostic approach for Occluded Gait Recognition using Correlational Knowledge Distillation [40.75942030089628]
我々は,オクルージョンの存在下で歩行認識のためのモデルに依存しないアプローチであるMimicGaitを提案する。
対象者の閉鎖歩行パターンにおけるシーケンス間相関とシーケンス内相関の両方を捉えるために,マルチインスタンス相関蒸留損失を用いてネットワークを訓練する。
我々は,GREW,Gait3D,BRIARといった実世界のデータセットに対するアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2025-01-26T20:23:44Z) - Bootstrapping Rare Object Detection in High-Resolution Satellite Imagery [2.242884292006914]
本稿では,このようなまれなオブジェクト検出タスクをブートストラップする問題に対処する。
我々は、パッチをサンプリングするための新しいオフラインおよびオンラインクラスタベースのアプローチを提案する。
ケニア・タンザニアのセレンゲティ・マラ地域において,牧畜動物に対するボマ(あるいは小さな囲い)の同定方法を適用した。
論文 参考訳（メタデータ） (2024-03-05T07:44:13Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z) - Progressive Domain Adaptation with Contrastive Learning for Object
Detection in the Satellite Imagery [0.0]
最先端のオブジェクト検出手法は、小さくて密度の高いオブジェクトを特定するのにほとんど失敗している。
本稿では,特徴抽出プロセスを改善する小型物体検出パイプラインを提案する。
未確認データセットにおけるオブジェクト識別の劣化を緩和できることを示す。
論文 参考訳（メタデータ） (2022-09-06T15:16:35Z) - ReDFeat: Recoupling Detection and Description for Multimodal Feature
Learning [51.07496081296863]
我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。
本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。
我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
論文 参考訳（メタデータ） (2022-05-16T04:24:22Z) - Small or Far Away? Exploiting Deep Super-Resolution and Altitude Data
for Aerial Animal Surveillance [3.8015092217142223]
本研究では,全体的注目ネットワークに基づく超解像手法と,カスタム構築された高度データ利用ネットワークにより,実環境における検出の有効性が向上することを示す。
SAVMAP と AED の2つの大型航空捕獲動物データセットを用いて,本システムの評価を行った。
論文 参考訳（メタデータ） (2021-11-12T17:30:55Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳（メタデータ） (2021-06-14T21:57:40Z) - Pretrained equivariant features improve unsupervised landmark discovery [69.02115180674885]
我々は、この課題を克服する2段階の教師なしアプローチを、強力なピクセルベースの特徴を初めて学習することによって定式化する。
本手法は,いくつかの難解なランドマーク検出データセットにおいて最先端の結果を生成する。
論文 参考訳（メタデータ） (2021-04-07T05:42:11Z) - Towards High Performance Human Keypoint Detection [87.1034745775229]
文脈情報は人体構成や見えないキーポイントを推論する上で重要な役割を担っている。
そこで我々は,空間とチャネルのコンテキスト情報を効率的に統合するカスケードコンテキストミキサー(CCM)を提案する。
CCMの表現能力を最大化するために、我々は、強陰性な人検出マイニング戦略と共同訓練戦略を開発する。
検出精度を向上させるために,キーポイント予測を後処理するためのいくつかのサブピクセル改良手法を提案する。
論文 参考訳（メタデータ） (2020-02-03T02:24:51Z)
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。