論文の概要: Hierarchical Re-Classification: Combining Animal Classification Models with Vision Transformers

• arxiv url: http://arxiv.org/abs/2510.14594v1
• Date: Thu, 16 Oct 2025 11:57:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.840217
• Title: Hierarchical Re-Classification: Combining Animal Classification Models with Vision Transformers
• Title（参考訳）: 階層的再分類:動物分類モデルと視覚変換器の組み合わせ
• Authors: Hugo Markoff, Jevgenijs Galaktionovs,
• Abstract要約: 動物検出プラットフォームのための階層的再分類システムを提案する。 私たちの5段階パイプラインは、LILA BC Desert Lion Conservationデータセットのセグメントで評価されます。 ブランク」ラベルと「アニマル」ラベルから761羽の鳥検出を回収した後、96.5%の精度で動物、哺乳類、空白の456羽の鳥検出を分類した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: State-of-the-art animal classification models like SpeciesNet provide predictions across thousands of species but use conservative rollup strategies, resulting in many animals labeled at high taxonomic levels rather than species. We present a hierarchical re-classification system for the Animal Detect platform that combines SpeciesNet EfficientNetV2-M predictions with CLIP embeddings and metric learning to refine high-level taxonomic labels toward species-level identification. Our five-stage pipeline (high-confidence acceptance, bird override, centroid building, triplet-loss metric learning, and adaptive cosine-distance scoring) is evaluated on a segment of the LILA BC Desert Lion Conservation dataset (4,018 images, 15,031 detections). After recovering 761 bird detections from "blank" and "animal" labels, we re-classify 456 detections labeled animal, mammal, or blank with 96.5% accuracy, achieving species-level identification for 64.9 percent
• Abstract（参考訳）: 種ネットのような最先端の動物分類モデルは、何千もの種にまたがる予測を提供するが、保守的なロールアップ戦略を用いており、その結果、多くの動物は種よりも高い分類レベルでラベル付けされる。 生物検出プラットフォームにおける階層的再分類システムとして,種ネット効率の高いNetV2-M予測とCLIP埋め込みとメトリクス学習を組み合わせて,種レベルでの識別に向けて高レベルの分類ラベルを改良する手法を提案する。 LILA BCデザートライオン保護データセット(画像4,018枚,検出15,031枚)のセグメントで,我々の5段パイプライン(高信頼受け入れ,鳥のオーバーライド,セントロイドビルディング,三重項距離学習,適応コサイン距離スコア)を評価した。 ブランク」ラベルと「アニマル」ラベルから761羽の鳥類検出を回収した後、96.5%の精度で456羽の動物、哺乳動物、ブランクを分類し、種レベルでの識別を64.9%で達成した。

関連論文リスト

• BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [51.341003735575335]
  生体視覚モデルでは,大規模コントラスト視覚言語学習により創発的行動が観察される。 我々は、異なる種を区別するために、TreeOfLife-200MでBioCLIP 2を訓練する。 得られたBioCLIP 2の埋め込み空間における創発的特性を同定する。
  論文  参考訳（メタデータ） (2025-05-29T17:48:20Z)
• A novel approach to navigate the taxonomic hierarchy to address the Open-World Scenarios in Medicinal Plant Classification [0.0]
  既存の薬草分類法は、しばしば階層的な分類や未知の種を正確に識別することができないことが観察された。 DenseNet121,Multi-Scale Self-Attention (MSSA) と階層分類のためのカスケード分類器を組み合わせた新しい手法を提案する。 提案するモデルサイズは,既存の最先端技術に比べて約4倍小さく,現実のアプリケーションに容易にデプロイできる。
  論文  参考訳（メタデータ） (2025-02-24T16:20:25Z)
• OpenAnimalTracks: A Dataset for Animal Track Recognition [2.3020018305241337]
  動物足跡の自動分類と検出を容易にするために設計された,最初の公開ラベル付きデータセットであるOpenAnimalTracksデータセットを紹介する。 代表分類器と検出モデルを用いた自動フットプリント識別の可能性を示す。 われわれのデータセットは、動物の自動追跡技術の道を切り開き、生物多様性の保護と管理の能力を高めることを願っている。
  論文  参考訳（メタデータ） (2024-06-14T00:37:17Z)
• Low Cost Machine Vision for Insect Classification [33.7054351451505]
  本稿では,低コストでスケーラブルなオープンソースシステムとして開発されたマルチセンサシステムの一部として,イメージング手法を提案する。 このシステムは、同じ昆虫種16種と異なる属、家系、順序からなるデータセットで、例に評価される。 種間類似度の高い種を分類するためには,昆虫のイメージトリミングが必要であることが証明された。
  論文  参考訳（メタデータ） (2024-04-26T15:43:24Z)
• Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
  ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。 従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。 本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
  論文  参考訳（メタデータ） (2023-06-05T03:36:01Z)
• Bugs in the Data: How ImageNet Misrepresents Biodiversity [98.98950914663813]
  ImageNet-1k検証セットで野生動物を表す269のクラスから13450の画像を解析した。 多くのクラスが未定義あるいは重複しており、画像の12%が誤ってラベル付けされていることがわかった。 また,ImageNet-1kに含まれる野生生物関連ラベルと画像の両方が,地理的,文化的に有意な偏見を呈していることがわかった。
  論文  参考訳（メタデータ） (2022-08-24T17:55:48Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)
• Transferring Dense Pose to Proximal Animal Classes [83.84439508978126]
  より一般的な対象検出器やセグメンタなどと同様に、密集したポーズ認識に存在する知識を、他のクラスにおける密集したポーズ認識の問題に移すことが可能であることを示す。 我々は、人間と幾何学的に整合した新しい動物のためのDensePoseモデルを確立することでこれを行う。 また、クラスチンパンジーにDensePoseの方法でラベル付けされた2つのベンチマークデータセットを導入し、アプローチを評価するためにそれらを使用します。
  論文  参考訳（メタデータ） (2020-02-28T21:43:53Z)
• 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。