論文の概要: Expert Knowledge-Guided Decision Calibration for Accurate Fine-Grained Tree Species Classification

• arxiv url: http://arxiv.org/abs/2601.16498v1
• Date: Fri, 23 Jan 2026 07:02:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.578134
• Title: Expert Knowledge-Guided Decision Calibration for Accurate Fine-Grained Tree Species Classification
• Title（参考訳）: 精密細粒樹種分類のための知識誘導決定校正
• Authors: Chen Long, Dian Chen, Ruifei Ding, Zhe Chen, Zhen Dong, Bisheng Yang,
• Abstract要約: 本稿では,これらの課題を克服するためのエキスパート知識指導型分類決定ネットワーク(EKDC-Net)を提案する。 私たちのフレームワークは、専門家の知識抽出と利用の2つの問題に対処しています。 軽量なプラグアンドプレイモジュールとして、EKDC-Netは0.08M追加の学習可能なパラメータを使用してバックボーンの精度を11.46%改善した。
• 参考スコア（独自算出の注目度）: 14.123072349997743
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate fine-grained tree species classification is critical for forest inventory and biodiversity monitoring. Existing methods predominantly focus on designing complex architectures to fit local data distributions. However, they often overlook the long-tailed distributions and high inter-class similarity inherent in limited data, thereby struggling to distinguish between few-shot or confusing categories. In the process of knowledge dissemination in the human world, individuals will actively seek expert assistance to transcend the limitations of local thinking. Inspired by this, we introduce an external "Domain Expert" and propose an Expert Knowledge-Guided Classification Decision Calibration Network (EKDC-Net) to overcome these challenges. Our framework addresses two core issues: expert knowledge extraction and utilization. Specifically, we first develop a Local Prior Guided Knowledge Extraction Module (LPKEM). By leveraging Class Activation Map (CAM) analysis, LPKEM guides the domain expert to focus exclusively on discriminative features essential for classification. Subsequently, to effectively integrate this knowledge, we design an Uncertainty-Guided Decision Calibration Module (UDCM). This module dynamically corrects the local model's decisions by considering both overall category uncertainty and instance-level prediction uncertainty. Furthermore, we present a large-scale classification dataset covering 102 tree species, named CU-Tree102 to address the issue of scarce diversity in current benchmarks. Experiments on three benchmark datasets demonstrate that our approach achieves state-of-the-art performance. Crucially, as a lightweight plug-and-play module, EKDC-Net improves backbone accuracy by 6.42% and precision by 11.46% using only 0.08M additional learnable parameters. The dataset, code, and pre-trained models are available at https://github.com/WHU-USI3DV/TreeCLS.
• Abstract（参考訳）: 詳細な樹木種分類は、森林の在庫と生物多様性モニタリングに重要である。 既存の手法は主に、ローカルなデータ分散に適合する複雑なアーキテクチャの設計に重点を置いている。 しかし、彼らはしばしば、限られたデータに固有の長い尾の分布と高いクラス間類似性を見落とし、その結果、少数ショットまたは混乱したカテゴリの区別に苦労する。 人間界における知識の普及の過程で、個人は地元の思考の限界を超越する専門家の支援を積極的に求めている。 そこで我々は,外部の "ドメインエキスパート" を導入し,これらの課題を克服するためのエキスパート知識指導型分類決定ネットワーク (EKDC-Net) を提案する。 私たちのフレームワークは、専門家の知識抽出と利用の2つの問題に対処しています。 具体的には、まず最初に、LPKEM(Local Prior Guided Knowledge extract Module)を開発する。 クラスアクティベーションマップ(CAM)分析を活用することで、LPKEMはドメインの専門家に、分類に不可欠な差別的特徴にのみ焦点をあてるよう誘導する。 その後、この知識を効果的に統合するために、不確実性誘導決定校正モジュール(UDCM)を設計する。 このモジュールは、全体カテゴリの不確実性とインスタンスレベルの予測不確実性の両方を考慮して、局所モデルの決定を動的に修正する。 さらに,102種の樹種を網羅した大規模分類データセットCU-Tree102を提案する。 3つのベンチマークデータセットの実験により、我々の手法が最先端のパフォーマンスを達成することを示す。 重要なのは、軽量なプラグアンドプレイモジュールとして、EKDC-Netは、0.08M追加の学習可能なパラメータを使用して、バックボーンの精度を6.42%、精度を11.46%改善する。 データセット、コード、トレーニング済みモデルはhttps://github.com/WHU-USI3DV/TreeCLS.comで入手できる。

関連論文リスト

• Structural Entropy Guided Agent for Detecting and Repairing Knowledge Deficiencies in LLMs [11.724887822269528]
  大規模言語モデル(LLM)は、膨大な事前学習コーパスを活用することで、前例のない性能を達成した。 彼らの業績は、医学や科学研究のような知識集約的な領域において、依然として最適以下である。 本稿では,LLMの内在的知識不足に対処する構造エントロピー誘導型知識ナビゲータ(SENATOR)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-12T02:21:36Z)
• Prospector Heads: Generalized Feature Attribution for Large Models & Data [82.02696069543454]
  本稿では,説明に基づく帰属手法の効率的かつ解釈可能な代替手段であるプロスペクタヘッドを紹介する。 入力データにおけるクラス固有のパターンの解釈と発見を、プロファイラヘッドがいかに改善できるかを実証する。
  論文  参考訳（メタデータ） (2024-02-18T23:01:28Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• Chaos to Order: A Label Propagation Perspective on Source-Free Domain Adaptation [8.27771856472078]
  我々は、ソースフリードメイン適応(SFDA)のための新しいアプローチであるChaos to Order(CtO)を提示する。 CtOは、セマンティックな信頼性を制約し、ターゲットのサブポピュレーション間でラベル情報を伝達する。 実証的な証拠は、CtOが3つの公開ベンチマークで芸術の状態を上回っていることを示している。
  論文  参考訳（メタデータ） (2023-01-20T03:39:35Z)
• Explaining Cross-Domain Recognition with Interpretable Deep Classifier [100.63114424262234]
  解釈可能なDeep(IDC)は、ターゲットサンプルの最も近いソースサンプルを、分類器が決定を下す証拠として学習する。 我々のIDCは、精度の劣化がほとんどなく、最適なリジェクションオプションの分類を効果的に調整する、より説明可能なモデルに導かれる。
  論文  参考訳（メタデータ） (2022-11-15T15:58:56Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Prior Knowledge Guided Unsupervised Domain Adaptation [82.9977759320565]
  本稿では,対象とするクラス分布に関する事前知識を利用できる知識誘導型非教師付きドメイン適応(KUDA)設定を提案する。 特に,対象領域におけるクラス分布に関する2種類の事前知識について考察する。 このような事前知識を用いて生成した擬似ラベルを精査する修正モジュールを提案する。
  論文  参考訳（メタデータ） (2022-07-18T18:41:36Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。