論文の概要: Active Learning for Animal Re-Identification with Ambiguity-Aware Sampling

• arxiv url: http://arxiv.org/abs/2511.06658v1
• Date: Mon, 10 Nov 2025 03:13:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.047659
• Title: Active Learning for Animal Re-Identification with Ambiguity-Aware Sampling
• Title（参考訳）: あいまいさを考慮した動物再同定のためのアクティブラーニング
• Authors: Depanshu Sani, Mehar Khurana, Saket Anand,
• Abstract要約: 本稿では、補完的なクラスタリング手法を利用して構造的不明瞭な領域を探索し、ターゲットとする新しいAL Re-IDフレームワークを提案する。 提案手法は,既存の基盤,USL,ALのベースラインを一貫して上回ることを示す。 具体的には,基礎的手法,USL法,AL法を用いて,13種の野生生物データセットの平均10.49%,11.19%,および3.99%(mAP)の改善を報告した。
• 参考スコア（独自算出の注目度）: 2.1290878226779877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Animal Re-ID has recently gained substantial attention in the AI research community due to its high impact on biodiversity monitoring and unique research challenges arising from environmental factors. The subtle distinguishing patterns, handling new species and the inherent open-set nature make the problem even harder. To address these complexities, foundation models trained on labeled, large-scale and multi-species animal Re-ID datasets have recently been introduced to enable zero-shot Re-ID. However, our benchmarking reveals significant gaps in their zero-shot Re-ID performance for both known and unknown species. While this highlights the need for collecting labeled data in new domains, exhaustive annotation for Re-ID is laborious and requires domain expertise. Our analyses show that existing unsupervised (USL) and AL Re-ID methods underperform for animal Re-ID. To address these limitations, we introduce a novel AL Re-ID framework that leverages complementary clustering methods to uncover and target structurally ambiguous regions in the embedding space for mining pairs of samples that are both informative and broadly representative. Oracle feedback on these pairs, in the form of must-link and cannot-link constraints, facilitates a simple annotation interface, which naturally integrates with existing USL methods through our proposed constrained clustering refinement algorithm. Through extensive experiments, we demonstrate that, by utilizing only 0.033% of all annotations, our approach consistently outperforms existing foundational, USL and AL baselines. Specifically, we report an average improvement of 10.49%, 11.19% and 3.99% (mAP) on 13 wildlife datasets over foundational, USL and AL methods, respectively, while attaining state-of-the-art performance on each dataset. Furthermore, we also show an improvement of 11.09%, 8.2% and 2.06% for unknown individuals in an open-world setting.
• Abstract（参考訳）: Animal Re-IDは最近、生物多様性のモニタリングと環境要因に起因するユニークな研究課題に高い影響があるとして、AI研究コミュニティで大きな注目を集めている。 微妙な区別パターン、新しい種を扱うこと、そして固有のオープンセットの性質は、問題をさらに難しくする。 これらの複雑さに対処するため、ラベル付き、大規模、多種多様なRe-IDデータセットに基づいてトレーニングされた基礎モデルが最近導入され、ゼロショットRe-IDが実現された。 しかし,本ベンチマークでは,未知種と未知種の両方において,ゼロショットのRe-ID性能に大きな差があることが判明した。 これはラベル付きデータを新しいドメインに集める必要性を強調しているが、Re-IDに対する徹底的なアノテーションは面倒でドメインの専門知識を必要とする。 解析の結果,既存の非教師付き(USL)法とAL Re-ID法は動物Re-IDに不適合であった。 これらの制約に対処するため,我々は,情報的かつ広範に代表されるサンプルペアを採掘するための埋め込み空間における構造的不明瞭な領域を探索し,対象とする補完的クラスタリング手法を利用した新しいAL Re-IDフレームワークを導入した。 Oracleは、これらのペアについて、必須リンクと無リンクの制約という形でフィードバックし、制約付きクラスタリング改善アルゴリズムを通じて、既存のUSLメソッドと自然に統合するシンプルなアノテーションインターフェースを促進します。 広範な実験を通じて、すべてのアノテーションの0.033%しか利用せず、既存の基盤、USLおよびALベースラインを一貫して上回っていることを実証した。 具体的には、基礎的、USL、ALの13種類の野生生物のデータセットに対して、それぞれ10.49%、11.19%、および3.99%(mAP)の平均的な改善を報告し、各データセットで最先端のパフォーマンスを達成した。 さらに,オープンワールド環境では,未知の個人に対して11.09%,8.2%,2.06%の改善が見られた。

関連論文リスト

• CFReID: Continual Few-shot Person Re-Identification [127.60234742605832]
  Lifelong ReIDは、複数のドメインにまたがる知識を漸進的に学習し、蓄積するために提案されている。 LReIDモデルは、一般にプライバシとコストの懸念のためにアクセスできない、目に見えない各ドメインの大規模ラベル付きデータでトレーニングする必要がある。 本稿では,数ショットデータを用いてモデルをインクリメンタルにトレーニングし,すべてのドメインでテストするContinual Few-shot ReIDを提案する。
  論文  参考訳（メタデータ） (2025-03-24T09:17:05Z)
• Multispecies Animal Re-ID Using a Large Community-Curated Dataset [0.19418036471925312]
  我々は、49種、37K個体、および225K画像を含むデータセットを構築し、このデータを用いて、すべての種に対して単一の埋め込みネットワークをトレーニングする。 我々のモデルは、各種で個別に訓練されたモデルより一貫して優れており、トップ1の精度で平均12.5%向上している。 このモデルは、大規模な野生生物モニタリングシステムですでに60種以上で生産されている。
  論文  参考訳（メタデータ） (2024-12-07T09:56:33Z)
• OpenAnimals: Revisiting Person Re-Identification for Animals Towards Better Generalization [10.176567936487364]
  本研究は,BoT,AGW,SBS,MGNなど,最先端の人物再同定手法を再検討することによって実施する。 我々は,HyenaID,LeopardID,SeaTurtleID,WhaleSharkIDなどの動物再同定ベンチマークにおいて,その有効性を評価する。 以上の結果から,いくつかの手法がうまく機能する一方で,多くの手法が一般化せず,2つの課題の間に有意な違いがあることが判明した。 textbfAnimal textbfReに適した強力な textbfBase モデルである ARBase を提案する。
  論文  参考訳（メタデータ） (2024-09-30T20:07:14Z)
• WildlifeReID-10k: Wildlife re-identification dataset with 10k individual animals [0.0]
  本稿では,140k以上の画像にわたる約33種の動物の身元が10k以上の大規模再同定ベンチマークであるWildlifeReID-10kを紹介する。 WildlifeReID-10kは多様な動物種をカバーし、SoTA法に大きな課題を提起している。 データセットとベンチマークは、クローズドセットとオープンセットの両方評価のための強力なベースラインとともに、Kaggleで公開されている。
  論文  参考訳（メタデータ） (2024-06-13T15:15:07Z)
• Contrastive Multiple Instance Learning for Weakly Supervised Person ReID [50.04900262181093]
  本稿では、より効果的に教師付きされたReIDに適した新しいフレームワークであるContrastive Multiple Instance Learning (CMIL)を紹介する。 CMILは、対照的な損失を生かしながら、単一のモデルと擬似ラベルを必要とせず、自分自身を区別する。 PerformancePhoto.coの実際のアプリケーションから自然に発生する弱いラベルを特徴とするMUDDデータセットの拡張であるWL-MUDDデータセットをリリースする。
  論文  参考訳（メタデータ） (2024-02-12T14:48:31Z)
• Recognize Any Regions [55.76437190434433]
  RegionSpotは、ローカライゼーション基盤モデルから位置認識ローカライゼーション知識と、ViLモデルからのセマンティック情報を統合する。 オープンワールドオブジェクト認識の実験では、私たちのRereaSpotは、以前の代替よりも大きなパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2023-11-02T16:31:49Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。