論文の概要: Autonomous AI Bird Feeder for Backyard Biodiversity Monitoring

• arxiv url: http://arxiv.org/abs/2508.09398v1
• Date: Wed, 13 Aug 2025 00:27:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.714594
• Title: Autonomous AI Bird Feeder for Backyard Biodiversity Monitoring
• Title（参考訳）: 裏庭での生物多様性モニタリングのための自律型AIバードフィード
• Authors: El Mustapha Mansouri,
• Abstract要約: 本稿では,ベルギーの都市庭園における自律型裏庭鳥監視システムについて,低コストで検討する。 モーショントリガIPカメラがFTP経由でショートクリップをローカルサーバにアップロードし、フレームがサンプリングされ、鳥がDectron2でローカライズされる。 次に、収穫された領域は、より大きなKaggleコーパスから派生した40種のベルギーのサブセットに調整された効率的なNet-B3モデルによって分類される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a low cost, on premise system for autonomous backyard bird monitoring in Belgian urban gardens. A motion triggered IP camera uploads short clips via FTP to a local server, where frames are sampled and birds are localized with Detectron2; cropped regions are then classified by an EfficientNet-B3 model fine tuned on a 40-species Belgian subset derived from a larger Kaggle corpus. All processing runs on commodity hardware without a discrete GPU, preserving privacy and avoiding cloud fees. The physical feeder uses small entry ports (30 mm) to exclude pigeons and reduce nuisance triggers. Detector-guided cropping improves classification accuracy over raw-frame classification. The classifier attains high validation performance on the curated subset (about 99.5 percent) and delivers practical field accuracy (top-1 about 88 percent) on held-out species, demonstrating feasibility for citizen-science-grade biodiversity logging at home.
• Abstract（参考訳）: 本稿では,ベルギーの都市庭園における自律型裏庭鳥監視システムについて,低コストで検討する。 モーショントリガIPカメラはFTPを介してショートクリップをローカルサーバにアップロードし、フレームをサンプリングし、鳥をTectron2でローカライズする。 すべての処理は、離散GPUなしでコモディティハードウェア上で動作し、プライバシを保持し、クラウド料金を回避する。 物理的給餌機は小さな入港口(30mm)を使用してハトを排除し、ニュアンストリガーを減少させる。 検出器誘導作付けは、原枠分類よりも分類精度を向上させる。 分類器は、キュレートされたサブセット(約99.5%)で高いバリデーション性能を達成し、保持されている種に対して実用的なフィールド精度(トップ1、約88%)を提供し、家庭における市民科学レベルの生物多様性ロギングの実現可能性を示す。

関連論文リスト

• An Automated Pipeline for Few-Shot Bird Call Classification: A Case Study with the Tooth-Billed Pigeon [0.6282171844772422]
  本稿では,BirdNETやPerchのような大規模公開分類器から欠落した希少種を対象としたワンショットバードコール自動分類パイプラインを提案する。 我々は,大型鳥類分類網の埋め込み空間を活用し,コサイン類似性を用いた分類器を開発し,フィルタリングと事前処理技術を組み合わせた。 最終モデルは1.0リコールと0.95の精度で歯を磨いたハトの鳴き声を検知し、現場での使用が現実的になった。
  論文  参考訳（メタデータ） (2025-04-22T21:21:41Z)
• A Bird Song Detector for improving bird identification through Deep Learning: a case study from Doñana [2.7924253850013416]
  鳥類の種を識別する上で重要な課題は、多くの録音が対象の種を欠いているか、重複する発声を含んでいることである。 ドナ国立公園(西スペイン)における鳥声自動識別のための多段階パイプラインを開発した。 そこで,我々はまず,スペクトログラムによる画像処理を用いて鳥の発声を分離するために鳥の歌検出器を適用した。その後,局所的に訓練されたカスタムモデルを用いて種を分類した。
  論文  参考訳（メタデータ） (2025-03-19T13:19:06Z)
• An Efficient Ground-aerial Transportation System for Pest Control Enabled by AI-based Autonomous Nano-UAVs [45.07031440932014]
  我々は、害虫検出のための小さな画像ベースの畳み込みニューラルネットワーク(CNN)を設計し、微調整し、最適化する。 我々のCNNは6.8フレーム/秒でリアルタイムに動作し、クレイジーフリーナノUAVに搭載されたGWT GAP9 System-on-Chip上で33mWが必要になります。 このシナリオでは、検査と治療の両方を行う従来の単座車両と比較して、効率的な輸送システムは最大20時間作業時間を節約できる。
  論文  参考訳（メタデータ） (2025-02-20T11:14:55Z)
• Towards Scalable Insect Monitoring: Ultra-Lightweight CNNs as On-Device Triggers for Insect Camera Traps [0.10713888959520207]
  カメラトラップは、自動化されたスケーラブルな生物多様性監視を実現する手段として登場した。 カメラトラップをトリガーする受動赤外線(PIR)センサーは、昆虫のような小型で素早く動く外惑星を検出するには適していない。 本研究は、低消費電力ハードウェア上で動作する超軽量畳み込みニューラルネットワークであるPIRトリガの代替を提案する。
  論文  参考訳（メタデータ） (2024-11-18T15:46:39Z)
• Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object Detection [40.97322222472642]
  本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。 糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。 我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
  論文  参考訳（メタデータ） (2023-06-26T16:48:20Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• FastPillars: A Deployment-friendly Pillar-based 3D Detector [63.0697065653061]
  既存のBEVベースの(つまりバードアイビュー)検出器は、トレーニングと推論を高速化するためにスパース・コンボリューション(SPConv)を好む。 FastPillarsは、CenterPoint(SPConvベース)よりも1.8倍のスピードアップと3.8mAPH/L2の改善で、Openデータセットの最先端の精度を提供する
  論文  参考訳（メタデータ） (2023-02-05T12:13:27Z)
• Western Mediterranean wetlands bird species classification: evaluating small-footprint deep learning approaches on a new annotated dataset [0.0]
  この研究は、2つの重いフットプリントと大きなフットプリントのディープニューラルネットワーク(VGG16とResNet50)と、軽量な代替手段であるMobileNetV2の比較分析である。 実験の結果,MobileNetV2 は平均 F1 スコアが ResNet50 よりも 5% 以下であることがわかった。 Aiguamolls de l'Emporda Natural Parkの20の固有鳥類種の201.6分と5,795のオーディオ抜粋からなる西地中海湿原鳥類データセットを作成した。
  論文  参考訳（メタデータ） (2022-07-12T08:48:12Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。