論文の概要: Fast, accurate measurement of the worker populations of honey bee colonies using deep learning

• arxiv url: http://arxiv.org/abs/2512.11075v1
• Date: Thu, 11 Dec 2025 19:44:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.545963
• Title: Fast, accurate measurement of the worker populations of honey bee colonies using deep learning
• Title（参考訳）: 深層学習を用いたミツバチ群集の高速・高精度測定
• Authors: Junmin Zhong, Jon F. Harrison, Jennie Si, Jun Chen,
• Abstract要約: ハチは受粉において重要な役割を担い、世界の農業や生態系に大きく貢献している。 ミツバチを数える伝統的な方法は、時間がかかり、労働集約的であり、人的ミスをしがちである。 我々は,CSRNetを用いたミツバチ数の自動計測のためのディープラーニングベースのソリューションを提案する。
• 参考スコア（独自算出の注目度）: 16.565007169025765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Honey bees play a crucial role in pollination, contributing significantly to global agriculture and ecosystems. Accurately estimating hive populations is essential for understanding the effects of environmental factors on bee colonies, yet traditional methods of counting bees are time-consuming, labor-intensive, and prone to human error, particularly in large-scale studies. In this paper, we present a deep learning-based solution for automating bee population counting using CSRNet and introduce ASUBEE, the FIRST high-resolution dataset specifically designed for this task. Our method employs density map estimation to predict bee populations, effectively addressing challenges such as occlusion and overlapping bees that are common in hive monitoring. We demonstrate that CSRNet achieves superior performance in terms of time efficiency, with a computation time of just 1 second per image, while delivering accurate counts even in complex and densely populated hive scenarios. Our findings show that deep learning approaches like CSRNet can dramatically enhance the efficiency of hive population assessments, providing a valuable tool for researchers and beekeepers alike. This work marks a significant advancement in applying AI technologies to ecological research, offering scalable and precise monitoring solutions for honey bee populations.
• Abstract（参考訳）: ハチは受粉において重要な役割を担い、世界の農業や生態系に大きく貢献している。 ヒツジの正確な推定は、環境要因がミツバチのコロニーに与える影響を理解するのに不可欠である。 本稿では,CSRNetを用いたミツバチ数の自動計測のための深層学習に基づくソリューションを提案し,この課題に特化して設計されたFIRST高解像度データセットであるASUBEEを紹介する。 本手法では,ミツバチの個体数予測に密度マップ推定を用い,ハチ監視に共通する排卵や重複ハチなどの課題に効果的に対処する。 我々は,CSRNetが画像毎の計算時間をたった1秒に抑えながら,複雑で密集したハイブシナリオにおいても正確なカウントを実現し,時間効率の面で優れた性能を達成できることを実証した。 以上の結果から,CSRNetのような深層学習アプローチは,ハチ集団評価の効率を劇的に向上させ,研究者や養蜂家にとって貴重なツールとなることが示唆された。 この研究は、ミツバチの個体群に対するスケーラブルで正確なモニタリングソリューションを提供するとともに、AI技術を生態研究に適用する上で大きな進歩を見せている。

関連論文リスト

• Domain-Adaptive Pretraining Improves Primate Behavior Recognition [43.65707056647872]
  我々は,自己指導型学習を用いて霊長類行動に対する行動認識を大幅に改善できることを示す。 PanAf と ChimpACT の2つの大きな類人猿行動のデータセットでは, それぞれ6.1 %の精度と6.3 %のmAPの精度で, 最先端の行動認識モデルより優れていた。
  論文  参考訳（メタデータ） (2025-09-15T17:54:20Z)
• A Survey of TinyML Applications in Beekeeping for Hive Monitoring and Management [4.88600037566401]
  ハチのコロニーは地球規模の食料安全保障と生態系の安定に不可欠だが、害虫、病気、環境ストレスからの脅威がエスカレートする。 従来のハイブインスペクションは労働集約的で破壊的だが、クラウドベースのモニタリングソリューションは、リモートやリソース制限のアピアリーには実用的ではない。 IoT(Internet of Things)とTiny Machine Learning(TinyML)の最近の進歩は、エッジデバイス上での低消費電力でリアルタイムな監視を可能にする。 この調査は、TinyMLとアピカルチャーの交差点における現在のイノベーションを合成し、ハチの状態のモニタリング、蜂の行動の認識、害虫や病気の検出、予測の4つの重要な機能領域を包含する。
  論文  参考訳（メタデータ） (2025-09-10T17:53:39Z)
• Computer Vision Approaches for Automated Bee Counting Application [0.62914438169038]
  本稿では,2つのデータセットを数える自動蜂の3つの方法を比較する。 最も優れたパフォーマンスの方法は、BUT1データセットで87%、BUT2データセットで93%の精度を達成したResNet-50畳み込みニューラルネットワーク分類器に基づいている。
  論文  参考訳（メタデータ） (2024-06-13T07:51:08Z)
• Breeding Programs Optimization with Reinforcement Learning [41.75807702905971]
  本稿では,シミュレートされた作物育種プログラムの最適化にReinforcement Learning (RL) を用いることを提案する。 RLに基づく育種アルゴリズムをベンチマークするために、Gym環境のスイートを導入する。 この研究は、シリコでシミュレートされた場合の遺伝的ゲインの観点から、標準手法よりもRL手法の方が優れていることを示した。
  論文  参考訳（メタデータ） (2024-06-06T10:17:51Z)
• Enhancing Pollinator Conservation towards Agriculture 4.0: Monitoring of Bees through Object Recognition [0.6334523276812193]
  本稿では,ハチの行動の自律的追跡・報告にコンピュータビジョンと物体認識を用いる方法について検討する。 ビデオストリームから蜂を含む9664画像の新しいデータセットを抽出し、バウンディングボックスで注釈付けする。 トレーニングされたモデルは、説明可能なAIインターフェース内にパッケージされ、検出イベントをタイムスタンプされたレポートとチャートに変換する。
  論文  参考訳（メタデータ） (2024-05-24T10:45:24Z)
• SatBird: Bird Species Distribution Modeling with Remote Sensing and Citizen Science Data [68.2366021016172]
  本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。 ケニアでは低データのレシエーションを表すデータセットも提供しています。 リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
  論文  参考訳（メタデータ） (2023-11-02T02:00:27Z)
• IntelliBeeHive: An Automated Honey Bee, Pollen, and Varroa Destructor Monitoring System [0.157286095422595]
  我々は,ハチミツバチのコロニー崩壊障害,ミツバチの行動,個体数減少,群集の健康状態の理解を高めるため,ハチミツバチモニタリングシステムを開発した。 システムは、リアルタイムでデータを提供するハイブの入り口に位置し、ビーキーパーは、アカウントベースのウェブサイトを通じてハイブの活動と健康を綿密に監視することができる。 機械学習を用いることで、ミツバチを正確に追跡し、花粉収集活動を監視し、ミツバチを混乱させることなくバロアミツバチを検出できます。
  論文  参考訳（メタデータ） (2023-09-16T11:13:47Z)
• 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)
• Metric Residual Networks for Sample Efficient Goal-conditioned Reinforcement Learning [52.59242013527014]
  ゴール条件強化学習(GCRL)は、現実世界の幅広い応用の可能性を秘めている。 サンプル効率は、GCRLにとって最も重要であり、デフォルトでは、エージェントはその目標に達するとのみ報酬を受ける。 GCRLのための新しいニューラルアーキテクチャを導入し、一般的なモノリシックネットワークアーキテクチャよりもはるかに優れたサンプリング効率を実現する。
  論文  参考訳（メタデータ） (2022-08-17T08:04:41Z)
• Semi-Supervised Audio Representation Learning for Modeling Beehive Strengths [2.2680266599208765]
  ミツバチは私たちの生態系や食品の安全に重要な要因であり、世界の収量の35%に寄与しています。 ミツバチの重要性にもかかわらず、養蜂は人間の労働力と経験に由来するミツバチにのみ依存する。 我々は,音声および環境計測による蜂のモニタリングのための統合ハードウェアセンシングシステムを開発した。 ラベルが限られているにもかかわらず,本モデルは良好に動作し,ビービーブの異なるサウンドプロファイルを特徴付けるのに有用なオーディオ埋め込みを学習できることを示す。
  論文  参考訳（メタデータ） (2021-05-21T18:59:29Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)

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。