論文の概要: Policy-Driven Transfer Learning in Resource-Limited Animal Monitoring

• arxiv url: http://arxiv.org/abs/2509.10995v1
• Date: Sat, 13 Sep 2025 22:26:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.869329
• Title: Policy-Driven Transfer Learning in Resource-Limited Animal Monitoring
• Title（参考訳）: 資源制限型動物モニタリングにおける政策駆動型移動学習
• Authors: Nisha Pillai, Aditi Virupakshaiah, Harrison W. Smith, Amanda J. Ashworth, Prasanna Gowda, Phillip R. Owens, Adam R. Rivers, Bindu Nanduri, Mahalingam Ramkumar,
• Abstract要約: 動物の健康モニタリングと人口管理は野生生物保護と家畜管理の重要な側面である。 我々のフレームワークは従来の手法に比べて計算時間を大幅に削減しながら高い検出率を達成する。
• 参考スコア（独自算出の注目度）: 0.6109833303919141
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Animal health monitoring and population management are critical aspects of wildlife conservation and livestock management that increasingly rely on automated detection and tracking systems. While Unmanned Aerial Vehicle (UAV) based systems combined with computer vision offer promising solutions for non-invasive animal monitoring across challenging terrains, limited availability of labeled training data remains an obstacle in developing effective deep learning (DL) models for these applications. Transfer learning has emerged as a potential solution, allowing models trained on large datasets to be adapted for resource-limited scenarios such as those with limited data. However, the vast landscape of pre-trained neural network architectures makes it challenging to select optimal models, particularly for researchers new to the field. In this paper, we propose a reinforcement learning (RL)-based transfer learning framework that employs an upper confidence bound (UCB) algorithm to automatically select the most suitable pre-trained model for animal detection tasks. Our approach systematically evaluates and ranks candidate models based on their performance, streamlining the model selection process. Experimental results demonstrate that our framework achieves a higher detection rate while requiring significantly less computational time compared to traditional methods.
• Abstract（参考訳）: 動物の健康モニタリングと人口管理は野生生物保護と家畜管理の重要な側面であり、自動検知と追跡システムにますます依存している。 Unmanned Aerial Vehicle (UAV)ベースのシステムとコンピュータビジョンを組み合わせることで、挑戦的な地形を横断する非侵襲的な動物モニタリングのための有望なソリューションを提供する一方で、ラベル付きトレーニングデータの限られた可用性は、これらのアプリケーションに効果的なディープラーニング(DL)モデルを開発する上での障害である。 トランスファーラーニングは潜在的なソリューションとして現れ、大きなデータセットでトレーニングされたモデルが、限られたデータを持つようなリソース制限されたシナリオに適応できるようにする。 しかし、トレーニング済みのニューラルネットワークアーキテクチャの広大な風景は、特にこの分野に初めて参入した研究者にとって、最適なモデルを選択することを困難にしている。 本稿では,動物検出タスクに最適な事前学習モデルを自動的に選択するために,上位信頼境界(UCB)アルゴリズムを用いた強化学習(RL)に基づく伝達学習フレームワークを提案する。 提案手法は,モデル選択プロセスの合理化を図り,その性能に基づいて候補モデルを体系的に評価・ランク付けする。 実験により,従来の手法に比べて計算時間が少なく,高い検出率が得られることが示された。

関連論文リスト

• Benchmarking pig detection and tracking under diverse and challenging conditions [1.865175170209582]
  オブジェクト検出のためのPigDetectと、マルチオブジェクト追跡のためのPigTrackの2つのデータセットをキュレートした。 対象物検出では,ランダムなサンプル画像のみを用いて達成可能なものよりも,困難なトレーニング画像により検出が向上することを示す。 マルチオブジェクト追跡において,SORTに基づく手法は,エンドツーエンドのトレーニング可能なモデルに比べて優れた検出性能が得られることを示した。
  論文  参考訳（メタデータ） (2025-07-22T14:36:51Z)
• A model-agnostic active learning approach for animal detection from camera traps [6.521571185874872]
  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。
  論文  参考訳（メタデータ） (2025-07-09T04:36:59Z)
• Multi-Agent Probabilistic Ensembles with Trajectory Sampling for Connected Autonomous Vehicles [12.71628954436973]
  軌道サンプリングMA-PETSを用いた分散マルチエージェント確率アンサンブルを提案する。 特に、未知環境の不確実性をよりよく捉えるために、MA-PETSは確率的アンサンブルニューラルネットワークを利用する。 MFBLに匹敵する試料効率でMA-PETSの優位性を実証的に実証した。
  論文  参考訳（メタデータ） (2023-12-21T14:55:21Z)
• Battle of the Backbones: A Large-Scale Comparison of Pretrained Models across Computer Vision Tasks [139.3768582233067]
  Battle of the Backbones (BoB)は、ニューラルネットワークベースのコンピュータビジョンシステムのためのベンチマークツールである。 視覚変換器(ViT)と自己教師型学習(SSL)がますます人気になっている。 同じアーキテクチャと同じようなサイズの事前トレーニングデータセット上でのアップルとアプリケーションの比較では、SSLバックボーンは極めて競争力があることが分かりました。
  論文  参考訳（メタデータ） (2023-10-30T18:23:58Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [65.57123249246358]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• Mastering the Unsupervised Reinforcement Learning Benchmark from Pixels [112.63440666617494]
  強化学習アルゴリズムは成功するが、エージェントと環境の間の大量の相互作用を必要とする。 本稿では,教師なしモデルベースRLを用いてエージェントを事前学習する手法を提案する。 我々はReal-Word RLベンチマークにおいて、適応中の環境摂動に対する抵抗性を示唆し、堅牢な性能を示す。
  論文  参考訳（メタデータ） (2022-09-24T14:22:29Z)
• 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)

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。