論文の概要: BuzzSet v1.0: A Dataset for Pollinator Detection in Field Conditions
- arxiv url: http://arxiv.org/abs/2508.19762v4
- Date: Tue, 09 Sep 2025 14:02:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-10 12:33:22.769728
- Title: BuzzSet v1.0: A Dataset for Pollinator Detection in Field Conditions
- Title（参考訳）: BuzzSet v1.0: フィールド条件下でのポリネータ検出のためのデータセット
- Authors: Ahmed Emam, Mohamed Elbassiouny, Julius Miller, Patrick Donworth, Sabine Seidel, Ribana Roscher,
- Abstract要約: 実地条件下で収集した高分解能受粉体画像の大規模データセットについて述べる。
BuzzSetには、7,856枚の手動検証画像があり、3つのクラス(ミツバチ、バンブルビー、未確認昆虫)に8000以上の注釈付きインスタンスがある。
このモデルは、ミツバチとバンブルビーのF1スコア0.94と0.92の強い分類精度を達成し、これらの分類の混乱を最小限に抑える。
- 参考スコア（独自算出の注目度）: 4.696111119794421
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Pollinator insects such as honeybees and bumblebees are vital to global food production and ecosystem stability, yet their populations are declining due to anthropogenic and environmental stressors. Scalable, automated monitoring in agricultural environments remains an open challenge due to the difficulty of detecting small, fast-moving, and often camouflaged insects. To address this, we present BuzzSet v1.0, a large-scale dataset of high-resolution pollinator images collected under real field conditions. BuzzSet contains 7,856 manually verified images with more than 8,000 annotated instances across three classes: honeybees, bumblebees, and unidentified insects. Initial annotations were produced using a YOLOv12 model trained on external data and refined through human verification with open-source tools. All images were preprocessed into 256 x 256 tiles to improve the detection of small insects. We provide baselines using the RF-DETR transformer-based object detector. The model achieves strong classification accuracy with F1 scores of 0.94 and 0.92 for honeybees and bumblebees, with minimal confusion between these categories. The unidentified class remains more difficult due to label ambiguity and fewer samples, yet still contributes insights for robustness evaluation. Overall detection performance (mAP at 0.50 of 0.559) illustrates the challenging nature of the dataset and its potential to drive advances in small object detection under realistic ecological conditions. Future work focuses on expanding the dataset to version 2.0 with additional annotations and evaluating further detection strategies. BuzzSet establishes a benchmark for ecological computer vision, with the primary challenge being reliable detection of insects frequently camouflaged within natural vegetation, highlighting an open problem for future research.
- Abstract（参考訳）: ミツバチやバンブルビーのようなポリネーター昆虫は、地球規模の食糧生産と生態系の安定に欠かせないが、人為的・環境的なストレスによって個体数は減少している。
農業環境におけるスケーラブルで自動化されたモニタリングは、小型で素早く動き、しばしばカモフラージュされた昆虫を検出するのが難しいため、依然としてオープンな課題である。
そこで本研究では,実地環境下で収集した高解像度受粉体画像の大規模データセットであるBuzzSet v1.0を提案する。
BuzzSetには、7,856枚の手動検証画像があり、3つのクラス(ミツバチ、バンブルビー、未確認昆虫)に8000以上の注釈付きインスタンスがある。
最初のアノテーションは外部データに基づいてトレーニングされたYOLOv12モデルを使用して作成され、オープンソースのツールによる人間の検証によって洗練されている。
すべての画像は256 x 256タイルに前処理され、小さな昆虫の検出が改善された。
RF-DETRトランスを用いた物体検出器を用いてベースラインを提供する。
このモデルは、ミツバチとバンブルビーのF1スコア0.94と0.92の強い分類精度を達成し、これらの分類の混乱を最小限に抑える。
ラベルの曖昧さとサンプルの少ないため、未同定クラスは依然として困難であるが、ロバストネス評価の洞察に寄与している。
総合的な検出性能(0.559の0.50m)は、データセットの難易度と、現実的な生態条件下での小さな物体検出の進歩を促進する可能性を示している。
今後の作業は、追加アノテーションによるデータセットのバージョン2.0への拡張と、さらなる検出戦略の評価に重点を置いている。
BuzzSetは、生態学的コンピュータビジョンのベンチマークを確立しており、主要な課題は、しばしば自然の植生に生息する昆虫を確実に検出することであり、将来の研究のオープンな課題を浮き彫りにしている。
関連論文リスト
- The iNaturalist Sounds Dataset [60.157076990024606]
iNatSoundsは、5500種以上の音をキャプチャする23万のオーディオファイルのコレクションで、世界中で27,000人以上のレコーダーが貢献している。
このデータセットは、鳥類、哺乳類、昆虫、虫類、両生類からの音を包含し、iNaturalistに提出された観察から得られたオーディオおよび種名を含む。
我々は、次世代の公的なエンゲージメントアプリケーションを支えるこのデータに基づいて訓練されたモデルを構想し、大規模なオーディオコレクションの処理において生物学者、生態学者、土地利用管理者を支援する。
論文 参考訳（メタデータ） (2025-05-31T02:07:37Z) - BeetleVerse: A Study on Taxonomic Classification of Ground Beetles [0.310688583550805]
地上の甲虫は、非常に敏感で特異な生物学的指標であり、生物多様性のモニタリングに不可欠である。
本稿では,4つの多種多様な長い尾を持つデータセットの分類分類に関する12の視覚モデルを評価する。
その結果,視覚と言語変換器を頭部と組み合わせたモデルが最も優れており,97%の精度で種・種レベルでの精度が得られた。
論文 参考訳（メタデータ） (2025-04-18T01:06:37Z) - 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) - Robust Tiny Object Detection in Aerial Images amidst Label Noise [50.257696872021164]
本研究は,ノイズラベル管理下での微小物体検出の問題に対処する。
本稿では,DN-TOD(Denoising Tiny Object Detector)を提案する。
本手法は,1段と2段の両方のオブジェクト検出パイプラインにシームレスに統合できる。
論文 参考訳（メタデータ） (2024-01-16T02:14:33Z) - Aphid Cluster Recognition and Detection in the Wild Using Deep Learning
Models [17.65292847038642]
アフィドの寄生は作物生産、農村社会、世界の食料安全保障に重大な脅威をもたらす。
本稿では,アフィドクラスタの検出にディープラーニングモデルを用いることに主眼を置いている。
そこで本研究では,アフィドクラスターの検出により感染レベルを推定する手法を提案する。
論文 参考訳（メタデータ） (2023-08-10T23:53:07Z) - Motion Informed Object Detection of Small Insects in Time-lapse Camera
Recordings [1.3965477771846408]
タイムラプスRGB画像における昆虫検出のためのパイプラインを提案する。
モーション・インフォームド・エンハンスメント(Motion-Informed-Enhancement)技術は、動きと色を使って画像中の昆虫を強化する。
You Only Look Once (YOLO) と Faster Region-based CNN (Faster R-CNN) によるディープラーニング物体検出法の改良
論文 参考訳（メタデータ） (2022-12-01T10:54:06Z) - Neighborhood Collective Estimation for Noisy Label Identification and
Correction [92.20697827784426]
ノイズラベルを用いた学習(LNL)は,ノイズラベルに対するモデルオーバーフィットの効果を軽減し,モデル性能と一般化を改善するための戦略を設計することを目的としている。
近年の進歩は、個々のサンプルのラベル分布を予測し、ノイズ検証とノイズラベル補正を行い、容易に確認バイアスを生じさせる。
提案手法では, 候補サンプルの予測信頼性を, 特徴空間近傍と対比することにより再推定する。
論文 参考訳（メタデータ） (2022-08-05T14:47:22Z) - Learning with Noisy Labels Revisited: A Study Using Real-World Human
Annotations [54.400167806154535]
ノイズラベルを用いた学習に関する既存の研究は、主に合成ラベルノイズに焦点を当てている。
本研究は2つの新しいベンチマークデータセット(CIFAR-10N, CIFAR-100N)を示す。
実世界のノイズラベルは古典的に採用されたクラス依存のラベルではなく、インスタンス依存のパターンに従うことを示す。
論文 参考訳（メタデータ） (2021-10-22T22:42:11Z) - Training Classifiers that are Universally Robust to All Label Noise
Levels [91.13870793906968]
ディープニューラルネットワークは、ラベルノイズの存在下で過度に適合する傾向がある。
ポジティヴ・アンラベルラーニングの新たなサブカテゴリを取り入れた蒸留ベースのフレームワークを提案する。
我々の枠組みは概して中～高騒音レベルにおいて優れています。
論文 参考訳（メタデータ） (2021-05-27T13:49:31Z) - Automatic image-based identification and biomass estimation of
invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。
我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。
分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文 参考訳（メタデータ） (2020-02-05T21:38:57Z)
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。