論文の概要: Event Detection and Classification for Long Range Sensing of Elephants Using Seismic Signal

• arxiv url: http://arxiv.org/abs/2509.02920v1
• Date: Wed, 03 Sep 2025 01:12:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.377433
• Title: Event Detection and Classification for Long Range Sensing of Elephants Using Seismic Signal
• Title（参考訳）: 地震信号を用いたエレフタンの長距離センシングのための事象検出と分類
• Authors: Jaliya L. Wijayaraja, Janaka L. Wijekoon, Malitha Wijesundara,
• Abstract要約: 本研究では,資源制約のある実装を対象とした分類フレームワークを提案する。 コンテキストカスタマイズウィンドウ(Contextually Customized Windowing)と呼ばれる新しいイベント検出技術が導入された。 最大検出範囲は、制御された環境では155.6m、自然環境では140mであった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Detecting elephants through seismic signals is an emerging research topic aimed at developing solutions for Human-Elephant Conflict (HEC). Despite the promising results, such solutions heavily rely on manual classification of elephant footfalls, which limits their applicability for real-time classification in natural settings. To address this limitation and build on our previous work, this study introduces a classification framework targeting resource-constrained implementations, prioritizing both accuracy and computational efficiency. As part of this framework, a novel event detection technique named Contextually Customized Windowing (CCW), tailored specifically for detecting elephant footfalls, was introduced, and evaluations were conducted by comparing it with the Short-Term Average/Long-Term Average (STA/LTA) method. The yielded results show that the maximum validated detection range was 155.6 m in controlled conditions and 140 m in natural environments. Elephant footfall classification using Support Vector Machine (SVM) with a Radial Basis Function (RBF) kernel demonstrated superior performance across multiple settings, achieving an accuracy of 99% in controlled environments, 73% in natural elephant habitats, and 70% in HEC-prone human habitats, the most challenging scenario. Furthermore, feature impact analysis using explainable AI identified the number of Zero Crossings and Dynamic Time Warping (DTW) Alignment Cost as the most influential factors in all experiments, while Predominant Frequency exhibited significant influence in controlled settings.
• Abstract（参考訳）: 地震信号による象の検出は、Human-Elephant Conflict (HEC) のソリューション開発を目的とした、新たな研究トピックである。 有望な結果にもかかわらず、これらのソリューションはゾウの足場を手動で分類することに大きく依存しており、自然条件下でのリアルタイム分類の適用性を制限している。 この制限に対処するため,本研究では,資源制約のある実装を対象とした分類フレームワークを導入し,精度と計算効率の両方を優先する。 この枠組みの一環として,ゾウの足場検出に特化した新しいイベント検出手法であるCCW(Contextually Customized Windowing)を導入し,STA/LTA(Short-Term Average/Long-Term Average)法と比較して評価を行った。 その結果,最大検出範囲は制御条件では155.6m,自然環境では140mであった。 放射基底関数(RBF)カーネルを用いた支持ベクトルマシン(SVM)を用いたエレファントフットフォール分類は、制御された環境において99%の精度、天然ゾウ生息地では73%、ヒト生息地では70%の精度を達成し、最も困難なシナリオである。 さらに、説明可能なAIを用いた特徴影響分析により、すべての実験において、ゼロクロスとダイナミックタイムワープ(DTW)アライメントコストの数が最も影響のある要因であることが判明した。

関連論文リスト

• Enhanced Predictive Modeling for Hazardous Near-Earth Object Detection: A Comparative Analysis of Advanced Resampling Strategies and Machine Learning Algorithms in Planetary Risk Assessment [0.0]
  本研究では,二元分類フレームワークによる有害地球近傍天体(NEO)の予測のための機械学習モデルの性能評価を行った。 RFC と GBC はともに 0.987 と 0.896 の印象的な F2 スコアで最高の性能を発揮した。
  論文  参考訳（メタデータ） (2025-08-20T22:50:00Z)
• A Review on Coarse to Fine-Grained Animal Action Recognition [23.001797172183345]
  動物行動認識の分野を概観し、粗粒(FGCG)と細粒(FGG)技術に注目した。 動物行動認識研究の現状を調べ、屋外環境における微妙な動物行動の認識に関連する固有の課題を解明する。 種間の行動分析の精度と一般化性を改善することを目的とした、きめ細かい行動認識の進歩に向けた今後の方向性を概説する。
  論文  参考訳（メタデータ） (2025-06-01T23:31:25Z)
• Few-Shot Optimization for Sensor Data Using Large Language Models: A Case Study on Fatigue Detection [3.536622936239033]
  本稿では,HED-LM(Hybrid Euclidean Distance with Large Language Models)を用いて,センサを用いた分類タスクのサンプル選択を改善するために,新しい数ショット最適化を提案する。 HED-LMは、ユークリッド距離に基づいて候補サンプルをフィルタリングし、それらを再ランクするハイブリッドセレクションパイプラインを通じて、この問題に対処する。 実験の結果,HED-LMの平均マクロF1スコアは69.13$pm$10.71%であり,ランダム選択と距離のみフィルタリングの両方に優れていた。
  論文  参考訳（メタデータ） (2025-05-24T15:43:25Z)
• Predicting the duration of traffic incidents for Sydney greater metropolitan area using machine learning methods [3.3373764108905446]
  本研究は,交通事故の期間を予測し,短期・長期に分類するための包括的アプローチを提案する。 我々は、Gradient Boosted Decision Trees (GBDT)、Random Forest、LightGBM、XGBoostなどの先進的な機械学習モデルをトレーニングし、評価する。 XGBoostとLightGBMは従来のモデルよりも優れており、XGBoostはインシデント期間を予測するための最低RMSEが33.7で、最高分類F1スコアが30分間の閾値で0.62である。
  論文  参考訳（メタデータ） (2024-06-27T03:16:09Z)
• AN An ica-ensemble learning approach for prediction of uwb nlos signals data classification [0.0]
  本研究は、無線通信による情報調和と、超広帯域レーダ信号を用いたNLOSシナリオにおける個人識別に焦点を当てた。 実験では、静的データに対して88.37%、動的データに対して87.20%の分類精度を示し、提案手法の有効性を強調した。
  論文  参考訳（メタデータ） (2024-02-27T11:42:26Z)
• A noise-robust acoustic method for recognizing foraging activities of grazing cattle [35.21388806827219]
  NRFAR(Noth-Robust Foraging Activity Recognizer)と呼ばれる音響手法の動作原理と一般化能力について述べる。 ノイズのない環境では、NRFARは平均的平衡精度86.4%に達し、以前の2つの音響手法を7.5%以上上回った。 NRFARは厳しい放牧環境において有効であることが示されており、牧草管理を改善し、乳牛の健康と福祉をモニタリングするための信頼性の高いソリューションとして利用することができる。
  論文  参考訳（メタデータ） (2023-04-28T13:06:14Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Selecting Treatment Effects Models for Domain Adaptation Using Causal Knowledge [82.5462771088607]
  監視されていないドメイン適応設定下でITE法用に特別に設計された新しいモデル選択メトリックを提案する。 特に,介入効果の予測が対象領域の既知の因果構造を満たすモデルを選択することを提案する。
  論文  参考訳（メタデータ） (2021-02-11T21:03:14Z)
• 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)
• Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
  本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。 粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。 粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
  論文  参考訳（メタデータ） (2020-03-23T13:40:06Z)

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。