論文の概要: Lacking Data? No worries! How synthetic images can alleviate image scarcity in wildlife surveys: a case study with muskox (Ovibos moschatus)

• arxiv url: http://arxiv.org/abs/2511.11882v1
• Date: Fri, 14 Nov 2025 21:20:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.356883
• Title: Lacking Data? No worries! How synthetic images can alleviate image scarcity in wildlife surveys: a case study with muskox (Ovibos moschatus)
• Title（参考訳）: データの欠落? 心配ない! 野生動物調査における画像の不足をどのように軽減できるか--Ovibos moschatus による事例
• Authors: Simon Durand, Samuel Foucher, Alexandre Delplanque, Joëlle Taillon, Jérôme Théau,
• Abstract要約: 視覚的空中計数やテレメトリ追跡を含む伝統的な調査手法は、北極圏のマスコックス人口を監視するために広く用いられている。 しかし、ディープラーニングオブジェクト検出モデル(ODM)の有効性は、小さなデータセットによって制限されることが多い。 本研究は,ゼロショット (ZS) と少数ショット (FS) の設定において, 限られたトレーニングデータを補うための合成画像 (SI) の統合と, マスコックス検出の改善について検討した。
• 参考スコア（独自算出の注目度）: 36.23556720064733
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate population estimates are essential for wildlife management, providing critical insights into species abundance and distribution. Traditional survey methods, including visual aerial counts and GNSS telemetry tracking, are widely used to monitor muskox populations in Arctic regions. These approaches are resource intensive and constrained by logistical challenges. Advances in remote sensing, artificial intelligence, and high resolution aerial imagery offer promising alternatives for wildlife detection. Yet, the effectiveness of deep learning object detection models (ODMs) is often limited by small datasets, making it challenging to train robust ODMs for sparsely distributed species like muskoxen. This study investigates the integration of synthetic imagery (SI) to supplement limited training data and improve muskox detection in zero shot (ZS) and few-shot (FS) settings. We compared a baseline model trained on real imagery with 5 ZS and 5 FS models that incorporated progressively more SI in the training set. For the ZS models, where no real images were included in the training set, adding SI improved detection performance. As more SI were added, performance in precision, recall and F1 score increased, but eventually plateaued, suggesting diminishing returns when SI exceeded 100% of the baseline model training dataset. For FS models, combining real and SI led to better recall and slightly higher overall accuracy compared to using real images alone, though these improvements were not statistically significant. Our findings demonstrate the potential of SI to train accurate ODMs when data is scarce, offering important perspectives for wildlife monitoring by enabling rare or inaccessible species to be monitored and to increase monitoring frequency. This approach could be used to initiate ODMs without real data and refine it as real images are acquired over time.
• Abstract（参考訳）: 正確な個体数推定は野生生物管理に不可欠であり、種数と分布に関する重要な洞察を提供する。 視覚的空中計数やGNSSテレメトリ追跡などの従来の調査手法は、北極圏のマスコックス人口を監視するために広く用いられている。 これらのアプローチは資源集約的であり、論理的課題によって制約される。 リモートセンシング、人工知能、高解像度の空中画像の進歩は、野生生物の検出に有望な代替手段を提供する。 しかし、深層学習オブジェクト検出モデル(ODM)の有効性は、小さなデータセットによって制限されることが多く、ムスカキシンのようなわずかに分散した種に対して堅牢なODMを訓練することは困難である。 本研究は,ゼロショット (ZS) と少数ショット (FS) の設定において, 限られたトレーニングデータを補うための合成画像 (SI) の統合と, マスコックス検出の改善について検討した。 実画像に基づいてトレーニングされたベースラインモデルと5つのZSおよび5つのFSモデルを比較した。 ZSモデルでは、実際の画像はトレーニングセットに含まれておらず、SIが検出性能を改善した。 SIがさらに増えるにつれて、精度、リコール、F1スコアのパフォーマンスは向上したが、最終的には低下し、SIがベースラインモデルのトレーニングデータセットの100%を超えるとリターンが低下した。 FSモデルでは、実画像とSIを組み合わせることで、実際の画像のみを使用するよりもリコールが良くなり、全体的な精度も若干高くなったが、これらの改善は統計的に有意ではなかった。 以上の結果から,データ不足時にSIが正確なODMを訓練する可能性を示し,希少種や到達不能種をモニタリングし,モニタリング頻度を高めることにより,野生生物のモニタリングに重要な視点を提供することができた。 このアプローチは、実際のデータなしでODMを起動し、実際の画像が時間とともに取得されるように洗練するために使用することができる。

関連論文リスト

• LSM-2: Learning from Incomplete Wearable Sensor Data [65.58595667477505]
  本稿では,Adaptive and Inherited Masking (AIM)を用いた第2世代Large Sensor Model (LSM-2)を紹介する。 AIMは明示的な計算を必要とせず、不完全なデータから直接堅牢な表現を学習する。 AIMを用いた LSM-2 は, 分類, 回帰, 生成モデルなど, 多様なタスクにまたがる最高の性能を実現する。
  論文  参考訳（メタデータ） (2025-06-05T17:57:11Z)
• Few-Shot Learner Generalizes Across AI-Generated Image Detection [14.069833211684715]
  フーショット検出器(Few-Shot Detector, FSD)は、未知の偽画像を効果的に識別するための特殊な距離空間を学習するAI生成画像検出器である。 実験の結果、FSDはGenImageデータセットの平均精度をわずか10ドルの追加サンプルで+11.6%以上向上した。
  論文  参考訳（メタデータ） (2025-01-15T12:33:11Z)
• Extrapolated Urban View Synthesis Benchmark [53.657271730352214]
  光シミュレーターは視覚中心型自動運転車(AV)の訓練と評価に不可欠である 中心となるのはノベルビュー合成(英語版)(NVS)であり、これはAVの広範かつ連続的なポーズ分布に対応するために、様々な目に見えない視点を生成する能力である。 近年の3次元ガウス・スプラッティングのような放射場の発展は、リアルタイムなリアルタイムレンダリングを実現し、大規模ドライビングシーンのモデリングに広く利用されている。 自動運転車と都市ロボットシミュレーション技術の進歩を支援するために、データを公開します。
  論文  参考訳（メタデータ） (2024-12-06T18:41:39Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Analysis of Classifier Training on Synthetic Data for Cross-Domain Datasets [4.696575161583618]
  本研究は、高度な運転支援システムと自律運転のためのカメラベースの交通標識認識アプリケーションに焦点を当てた。 合成データセットの増補パイプラインは、構造化影やガウスの特異なハイライトのような新しい増補プロセスを含む。 実験の結果、クロスドメインテストデータセットに適用した場合、ほとんどの場合、合成画像ベースアプローチは実際の画像ベーストレーニングよりも優れていた。
  論文  参考訳（メタデータ） (2024-10-30T07:11:41Z)
• On quantifying and improving realism of images generated with diffusion [50.37578424163951]
  与えられた画像の5つの統計的測度から算出した画像リアリズムスコア(IRS)と呼ばれるメトリクスを提案する。 IRSは、与えられた画像を実または偽のものとして分類する手段として容易に利用できる。 我々は,安定拡散モデル (SDM) , Dalle2, Midjourney, BigGAN による偽画像の検出に成功して,提案したIRSのモデルおよびデータに依存しない性質を実験的に確立した。 このデータセットは、高品質の4つのモデルによって生成される100のクラスに対して1,000のサンプルを提供します。
  論文  参考訳（メタデータ） (2023-09-26T08:32:55Z)
• Rare Wildlife Recognition with Self-Supervised Representation Learning [0.0]
  本稿では,自己指導型プレトレーニングに頼って,必要なトレーニングデータの量を削減する手法を提案する。 MoCo, CLD, および幾何拡張の組み合わせは, ImageNetで事前訓練された従来のモデルよりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-29T17:57:38Z)
• Self-Supervised Pretraining and Controlled Augmentation Improve Rare Wildlife Recognition in UAV Images [9.220908533011068]
  本稿では,自己指導型プレトレーニングに頼って,必要なトレーニングデータの量を削減する手法を提案する。 MoCo, CLD, および幾何拡張の組み合わせは, ImageNet 上で事前学習された従来のモデルよりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-17T12:14:28Z)
• Remote Sensing Image Scene Classification with Self-Supervised Paradigm under Limited Labeled Samples [11.025191332244919]
  我々は,大規模なラベル付きデータからRSIシーン分類のための高性能事前学習モデルを得るために,新たな自己教師付き学習(SSL)機構を導入する。 一般的な3つのRSIシーン分類データセットの実験により、この新たな学習パラダイムは、従来の支配的なImageNet事前学習モデルよりも優れていることが示された。 我々の研究から得られた知見は、リモートセンシングコミュニティにおけるSSLの発展を促進するのに役立ちます。
  論文  参考訳（メタデータ） (2020-10-02T09:27:19Z)

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。