論文の概要: A model-agnostic active learning approach for animal detection from camera traps

• arxiv url: http://arxiv.org/abs/2507.06537v1
• Date: Wed, 09 Jul 2025 04:36:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.468659
• Title: A model-agnostic active learning approach for animal detection from camera traps
• Title（参考訳）: カメラトラップからの動物検出のためのモデル非依存能動学習手法
• Authors: Thi Thu Thuy Nguyen, Duc Thanh Nguyen,
• Abstract要約: 本稿では,カメラトラップが捉えた動物検出のためのモデルに依存しない能動学習手法を提案する。 提案手法は,オブジェクトベースと画像ベースの両方のサンプルの不確実性と多様性を,アクティブな学習サンプル選択プロセスに統合する。
• 参考スコア（独自算出の注目度）: 6.521571185874872
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Smart data selection is becoming increasingly important in data-driven machine learning. Active learning offers a promising solution by allowing machine learning models to be effectively trained with optimal data including the most informative samples from large datasets. Wildlife data captured by camera traps are excessive in volume, requiring tremendous effort in data labelling and animal detection models training. Therefore, applying active learning to optimise the amount of labelled data would be a great aid in enabling automated wildlife monitoring and conservation. However, existing active learning techniques require that a machine learning model (i.e., an object detector) be fully accessible, limiting the applicability of the techniques. In this paper, we propose a model-agnostic active learning approach for detection of animals captured by camera traps. Our approach integrates uncertainty and diversity quantities of samples at both the object-based and image-based levels into the active learning sample selection process. We validate our approach in a benchmark animal dataset. Experimental results demonstrate that, using only 30% of the training data selected by our approach, a state-of-the-art animal detector can achieve a performance of equal or greater than that with the use of the complete training dataset.
• Abstract（参考訳）: スマートデータ選択は、データ駆動機械学習においてますます重要になりつつある。 アクティブな学習は、機械学習モデルを、大規模なデータセットから最も有用なサンプルを含む最適なデータで効果的にトレーニングできるようにすることで、有望なソリューションを提供する。 カメラトラップが捉えた野生生物のデータ量は過剰であり、データラベリングや動物検出モデルのトレーニングに多大な労力を要する。 したがって、ラベル付きデータの量を最適化するためにアクティブな学習を適用することは、野生生物の監視と保護の自動化を可能にする上で大きな助けとなるだろう。 しかし、既存のアクティブな学習技術では、機械学習モデル(オブジェクト検出器)が完全にアクセスでき、その技術の適用性を制限する必要がある。 本稿では,カメラトラップが捉えた動物検出のためのモデルに依存しない能動学習手法を提案する。 提案手法は,オブジェクトベースと画像ベースの両方のサンプルの不確実性と多様性を,アクティブな学習サンプル選択プロセスに統合する。 ベンチマーク動物データセットでアプローチを検証する。 実験結果から,本手法により選択したトレーニングデータの30%のみを用いて,完全トレーニングデータセットを用いて,最先端の動物検知器が同等以上の性能を達成できることが確認された。

関連論文リスト

• Improved detection of discarded fish species through BoxAL active learning [0.2544632696242629]
  本研究では,より高速なR-CNNオブジェクト検出モデルの認識精度を推定する,BoxALという能動的学習手法を提案する。 この方法では、未ラベルのプールから最も不確実なトレーニングイメージを選択し、オブジェクト検出モデルのトレーニングに使用することができる。 また,本研究では,サンプル化した新データが,未ラベルデータよりもトレーニングに有用であることが確認された。
  論文  参考訳（メタデータ） (2024-10-07T10:01:30Z)
• Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery [78.43828998065071]
  教師なし学習の最近の進歩は、下流タスクにおける有望な結果を達成するための大きな視覚モデルの可能性を示している。 このような事前学習技術は、大量の未学習データが利用可能であることから、リモートセンシング領域でも最近研究されている。 本稿では,マルチモーダルで効果的に活用されるマルチスケール情報の事前学習と活用について述べる。
  論文  参考訳（メタデータ） (2024-03-08T16:18:04Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• Automated wildlife image classification: An active learning tool for ecological applications [0.44970015278813025]
  野生生物カメラトラップ画像は、動物の豊富さ、生息環境の関連、行動を調べるために広く利用されている。 人工知能システムは、このタスクを引き継ぐことができるが、通常は十分なパフォーマンスを達成するために、既にラベル付けされた多数のトレーニングイメージを必要とする。 我々は,中小の画像データベースを持つ研究者が,現代の機械学習の可能性を活用できるラベル効率のよい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-28T08:51:15Z)
• ALBench: A Framework for Evaluating Active Learning in Object Detection [102.81795062493536]
  本稿では、オブジェクト検出におけるアクティブラーニングを評価するために、ALBenchという名前のアクティブラーニングベンチマークフレームワークをコントリビュートする。 自動深層モデルトレーニングシステム上で開発されたこのALBenchフレームワークは、使いやすく、さまざまなアクティブな学習アルゴリズムと互換性があり、同じトレーニングおよびテストプロトコルを保証する。
  論文  参考訳（メタデータ） (2022-07-27T07:46:23Z)
• Zoo-Tuning: Adaptive Transfer from a Zoo of Models [82.9120546160422]
  Zoo-Tuningは、事前訓練されたモデルのパラメータをターゲットタスクに適応的に転送することを学ぶ。 我々は、強化学習、画像分類、顔のランドマーク検出など、様々なタスクに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-06-29T14:09:45Z)
• Deep learning with self-supervision and uncertainty regularization to count fish in underwater images [28.261323753321328]
  効果的な保全活動には、効果的な人口監視が必要です。 画像サンプリングによる人口のモニタリングにより、データ収集は安価で広く、侵入性が低くなっている。 このようなデータから動物を数えることは、特に騒々しい画像に密に詰め込まれた場合、困難です。 深層学習は多くのコンピュータビジョンタスクの最先端の手法であるが、動物を数えるためにはまだ十分に研究されていない。
  論文  参考訳（メタデータ） (2021-04-30T13:02:19Z)
• Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
  本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。 我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-05T14:15:49Z)

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。