論文の概要: Where are the Whales: A Human-in-the-loop Detection Method for Identifying Whales in High-resolution Satellite Imagery

• arxiv url: http://arxiv.org/abs/2510.14709v1
• Date: Thu, 16 Oct 2025 14:10:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.892799
• Title: Where are the Whales: A Human-in-the-loop Detection Method for Identifying Whales in High-resolution Satellite Imagery
• Title（参考訳）: クジラはどこにいるか:高解像度衛星画像におけるクジラの同定のためのループ中の人間検出法
• Authors: Caleb Robinson, Kimberly T. Goetz, Christin B. Khan, Meredith Sackett, Kathleen Leonard, Rahul Dodhia, Juan M. Lavista Ferres,
• Abstract要約: 衛星画像におけるクジラ検出を半自動で検出する手法を提案する。 我々は,空間外接点,すなわち「興味点」をフラグする統計的異常検出手法を用いる。 我々は90.3%から96.4%のリコールを達成し、専門家の検査を必要とする地域を99.8%まで減らした。
• 参考スコア（独自算出の注目度）: 6.166882357769285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective monitoring of whale populations is critical for conservation, but traditional survey methods are expensive and difficult to scale. While prior work has shown that whales can be identified in very high-resolution (VHR) satellite imagery, large-scale automated detection remains challenging due to a lack of annotated imagery, variability in image quality and environmental conditions, and the cost of building robust machine learning pipelines over massive remote sensing archives. We present a semi-automated approach for surfacing possible whale detections in VHR imagery using a statistical anomaly detection method that flags spatial outliers, i.e. "interesting points". We pair this detector with a web-based labeling interface designed to enable experts to quickly annotate the interesting points. We evaluate our system on three benchmark scenes with known whale annotations and achieve recalls of 90.3% to 96.4%, while reducing the area requiring expert inspection by up to 99.8% -- from over 1,000 sq km to less than 2 sq km in some cases. Our method does not rely on labeled training data and offers a scalable first step toward future machine-assisted marine mammal monitoring from space. We have open sourced this pipeline at https://github.com/microsoft/whales.
• Abstract（参考訳）: クジラの個体数の効果的なモニタリングは保護にとって重要であるが、従来の調査手法は高価でスケールが難しい。 以前の研究では、非常に高解像度(VHR)衛星画像でクジラを識別できることが示されているが、注釈付き画像の欠如、画像の品質と環境条件のばらつき、巨大なリモートセンシングアーカイブ上に堅牢な機械学習パイプラインを構築するコストのため、大規模な自動検出は依然として困難である。 本稿では,VHR画像中のクジラ検出を半自動で検出する手法について,空間的異常点,すなわち「興味点」をフラグする統計的異常検出法を提案する。 この検出器をWebベースのラベリングインターフェースと組み合わせて、専門家が興味深い点を素早く注釈付けできるようにしています。 我々のシステムは、既知のクジラのアノテーションを持つ3つのベンチマークシーンで評価し、90.3%から96.4%のリコールを達成するとともに、専門家による検査を必要とする領域を最大99.8%削減し、場合によっては1,000平方キロメートル以上から2平方キロメートル未満に縮小する。 本手法はラベル付きトレーニングデータに頼らず,将来の宇宙からの機械支援海洋哺乳動物モニタリングに向けたスケーラブルな第一歩を提供する。 私たちはこのパイプラインをhttps://github.com/microsoft/whales.comでオープンソース化しました。

関連論文リスト

• Beluga Whale Detection from Satellite Imagery with Point Labels [8.461883879383517]
  本研究は,VHR衛星画像におけるベルガクジラとハープシールの自動検出パイプラインを提案する。 パイプラインはポイントアノテーションとSegment Anything Model(SAM)を利用して、正確なバウンディングボックスアノテーションを生成する。 SAM-labeledボックスで訓練されたYOLOv8は、全体的な$textF_text1$-scoreが72.2%、ハープシールが70.3%に達した。
  論文  参考訳（メタデータ） (2025-05-17T16:13:10Z)
• Bootstrapping Rare Object Detection in High-Resolution Satellite Imagery [2.242884292006914]
  本稿では,このようなまれなオブジェクト検出タスクをブートストラップする問題に対処する。 我々は、パッチをサンプリングするための新しいオフラインおよびオンラインクラスタベースのアプローチを提案する。 ケニア・タンザニアのセレンゲティ・マラ地域において,牧畜動物に対するボマ(あるいは小さな囲い)の同定方法を適用した。
  論文  参考訳（メタデータ） (2024-03-05T07:44:13Z)
• Whale Detection Enhancement through Synthetic Satellite Images [13.842008598751445]
  実際のデータのみをトレーニングに使用した場合と比較して,捕鯨の検出において15%の性能向上が達成できることが示されている。 シミュレーションプラットフォームSeaDroneSim2のコードをオープンソースとして公開しています。
  論文  参考訳（メタデータ） (2023-08-15T13:35:29Z)
• An Empirical Analysis of Range for 3D Object Detection [70.54345282696138]
  本稿では,長距離検出データセットArgoverse 2.0を用いた遠距離3次元検出の実験的検討を行った。 近接場LiDARの測定は、小さなボクセルによって密度が高く最適に符号化され、遠距離場の測定は疎く、大きなボクセルで符号化されている。 本研究では,33%の効率向上と3.2%のCDSの精度向上を図った。
  論文  参考訳（メタデータ） (2023-08-08T05:29:26Z)
• Far3Det: Towards Far-Field 3D Detection [67.38417186733487]
  我々は、観測者から一定の距離を超える物体の遠距離3次元検出(Far3Det)の課題に焦点を当てる。 Far3Detは高速道路で動く自動運転車(AV)にとって特に重要である。 我々は,nuScenesデータセットからよく注釈付きシーンを抽出し,十分に注釈付き遠距離フィールド検証セットを導出する手法を開発した。 Far3Detの評価プロトコルを提案し,Far3Detの様々な3次元検出手法を提案する。
  論文  参考訳（メタデータ） (2022-11-25T02:07:57Z)
• TempNet: Temporal Attention Towards the Detection of Animal Behaviour in Videos [63.85815474157357]
  本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。 TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。 本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
  論文  参考訳（メタデータ） (2022-11-17T23:55:12Z)
• Deep object detection for waterbird monitoring using aerial imagery [56.1262568293658]
  本研究では,商用ドローンで収集した空中画像を用いて,水鳥の正確な検出,数え,監視に使用できる深層学習パイプラインを提案する。 畳み込み型ニューラルネットワークを用いた物体検出装置を用いて,テキサス沿岸の植民地性営巣島でよく見られる16種類の水鳥を検出できることを示す。
  論文  参考訳（メタデータ） (2022-10-10T17:37:56Z)
• FOVEA: Foveated Image Magnification for Autonomous Navigation [53.69803081925454]
  入力キャンバスを小さく保ちながら、ある領域を弾性的に拡大する注意的アプローチを提案する。 提案手法は,高速R-CNNより高速かつ微調整の少ない検出APを高速化する。 Argoverse-HD と BDD100K の自律走行データセットでは,提案手法が標準の高速 R-CNN を超越した検出APを微調整なしで促進することを示す。
  論文  参考訳（メタデータ） (2021-08-27T03:07:55Z)
• Detecting Cattle and Elk in the Wild from Space [6.810164473908359]
  衛星画像中の大きな黄体を位置決めし、数えることが生態学研究を支える重要な課題である。 画像中の動物数(カウント)を同時に推定し,その位置をピクセルレベルで(ローカライズ)予測するベースライン手法であるCowNetを提案する。 本稿では,カリフォルニア州ポイント・レーズ海浜の大規模景観における結果モデルの時間的一般化を特に検証する。
  論文  参考訳（メタデータ） (2021-06-29T14:35:23Z)
• Road Curb Detection and Localization with Monocular Forward-view Vehicle Camera [74.45649274085447]
  魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。 我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
  論文  参考訳（メタデータ） (2020-02-28T00:24:18Z)

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。