論文の概要: Investigating Target Class Influence on Neural Network Compressibility for Energy-Autonomous Avian Monitoring
- arxiv url: http://arxiv.org/abs/2602.17751v1
- Date: Thu, 19 Feb 2026 16:24:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-23 18:01:41.102683
- Title: Investigating Target Class Influence on Neural Network Compressibility for Energy-Autonomous Avian Monitoring
- Title（参考訳）: エネルギー自律型鳥類モニタリングにおけるニューラルネットワーク圧縮性に対する目標クラスの影響の検討
- Authors: Nina Brolich, Simon Geis, Maximilian Kasper, Alexander Barnhill, Axel Plinge, Dominik Seuß,
- Abstract要約: 本研究では,マイクロコントローラユニット(MCU)を直接現場で動作させる機械学習モデルを提案する。
本研究は,複数種の鳥の発見を評価するために,様々な対象クラスのモデルを訓練し,圧縮した。
また、異なるハードウェアプラットフォームに対してベンチマーク結果を提供し、エネルギー自動デバイスをデプロイする可能性を評価する。
- 参考スコア（独自算出の注目度）: 36.85680419418593
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Biodiversity loss poses a significant threat to humanity, making wildlife monitoring essential for assessing ecosystem health. Avian species are ideal subjects for this due to their popularity and the ease of identifying them through their distinctive songs. Traditionalavian monitoring methods require manual counting and are therefore costly and inefficient. In passive acoustic monitoring, soundscapes are recorded over long periods of time. The recordings are analyzed to identify bird species afterwards. Machine learning methods have greatly expedited this process in a wide range of species and environments, however, existing solutions require complex models and substantial computational resources. Instead, we propose running machine learning models on inexpensive microcontroller units (MCUs) directly in the field. Due to the resulting hardware and energy constraints, efficient artificial intelligence (AI) architecture is required. In this paper, we present our method for avian monitoring on MCUs. We trained and compressed models for various numbers of target classes to assess the detection of multiple bird species on edge devices and evaluate the influence of the number of species on the compressibility of neural networks. Our results demonstrate significant compression rates with minimal performance loss. We also provide benchmarking results for different hardware platforms and evaluate the feasibility of deploying energy-autonomous devices.
- Abstract（参考訳）: 生物多様性の喪失は人類にとって重大な脅威となり、生態系の健康を評価するために野生生物のモニタリングが不可欠である。
鳥種は、その人気と、その独特の歌を通してそれらを特定することの容易さから、このために理想的な主題である。
従来の計測方法は手動の計数を必要とするため、費用がかかり非効率である。
受動的音響モニタリングでは、サウンドスケープは長時間にわたって記録される。
記録はその後、鳥類の種を特定するために分析される。
機械学習手法は、幅広い種や環境において、このプロセスを大幅に高速化してきたが、既存のソリューションには複雑なモデルと相当な計算資源が必要である。
代わりに、安価なマイクロコントローラユニット(MCU)上での機械学習モデルの実行を現場で直接提案する。
結果として生じるハードウェアとエネルギーの制約のため、効率的な人工知能(AI)アーキテクチャが必要である。
本稿では,MCUにおける鳥類モニタリングのための手法を提案する。
本研究は,複数種の鳥種をエッジデバイス上で検出し,ニューラルネットワークの圧縮性に及ぼす種数の影響を評価するために,様々なターゲットクラスのモデルを訓練し,圧縮した。
その結果,性能低下を最小限に抑えた圧縮速度が得られた。
また、異なるハードウェアプラットフォームに対してベンチマーク結果を提供し、エネルギー自動デバイスをデプロイする可能性を評価する。
関連論文リスト
- Re-Identifying Kākā with AI-Automated Video Key Frame Extraction [0.0]
本研究では,k=ak=a(Nestor meridionalis)のビデオから高品質なキーフレームを抽出するためのユニークなパイプラインを提案する。
カスタムフィードの映像記録を用いて,キーフレームを抽出し,パイプラインの再同定性能を評価する。
その結果,提案手法では,k=ak=a再同定において高い精度で画像収集を行うことができた。
論文 参考訳（メタデータ） (2025-10-09T19:46:46Z) - Decentralized Vision-Based Autonomous Aerial Wildlife Monitoring [55.159556673975544]
野生生物モニタリングのための分散視覚に基づくマルチクワッドロータシステムを提案する。
我々のアプローチは、その自然生息地における大型種のロバスト同定と追跡を可能にする。
論文 参考訳（メタデータ） (2025-08-20T20:05:05Z) - CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [46.47343031985037]
交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。
トークン化方式は、チャネルごとのパッチで脳波信号を表現します。
本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
論文 参考訳（メタデータ） (2025-01-18T21:44:38Z) - AI-Driven Real-Time Monitoring of Ground-Nesting Birds: A Case Study on Curlew Detection Using YOLOv10 [0.07255608805275862]
本研究は,カリュー(Numenius arquata)に着目したAIによるリアルタイム種検出手法を提案する。
カスタムトレーニングされたYOLOv10モデルは、Create AIプラットフォームにリンクされた3/4G対応カメラを使用して、カリューとそのニワトリを検知し、分類するために開発された。
ウェールズの11箇所で、このモデルは高い性能を達成し、感度は90.56%、特異度は100%、F1スコアは95.05%だった。
論文 参考訳（メタデータ） (2024-11-22T10:36:29Z) - TinyChirp: Bird Song Recognition Using TinyML Models on Low-power Wireless Acoustic Sensors [1.0790796076947324]
大規模な生物多様性のモニタリングは難しい。
微細な粒度の種の検出と識別には、高度に正確な機械学習(ML)手法が必要である。
これらのモデルを低消費電力デバイスにデプロイするには、新しい圧縮技術とモデルアーキテクチャが必要である。
論文 参考訳（メタデータ） (2024-07-31T08:57:42Z) - Efficient speech detection in environmental audio using acoustic
recognition and knowledge distillation [3.732312301223128]
生物多様性の音響モニタリングが重要なモニタリングツールとして登場した。
ディープラーニングにおける大きな進歩にも関わらず、大規模なニューラルネットワークをコンパクトデバイスにデプロイすることは、メモリとレイテンシの制約による問題を引き起こす。
本手法は,バイオ音響学における音声検出のための,効率的で軽量な学生モデルの設計に知識蒸留技術を活用することに焦点を当てる。
論文 参考訳（メタデータ） (2023-12-14T17:55:32Z) - Removing Human Bottlenecks in Bird Classification Using Camera Trap
Images and Deep Learning [0.14746127876003345]
鳥類の個体数を監視することは生態学者にとって不可欠である。
カメラトラップ、音響モニター、ドローンなどの技術は、非侵襲的な監視方法を提供する。
監視にカメラトラップを使用する場合の主な問題は2つある。a) カメラは多くの画像を生成し、タイムリーにデータを処理し分析することが困難になる。
本稿では,鳥種のリアルタイム分類にディープラーニングを活用することによって,これらの問題を克服するためのアプローチを概説する。
論文 参考訳（メタデータ） (2023-05-03T13:04:39Z) - Cetacean Translation Initiative: a roadmap to deciphering the
communication of sperm whales [97.41394631426678]
最近の研究では、非ヒト種における音響コミュニケーションを分析するための機械学習ツールの約束を示した。
マッコウクジラの大量生物音響データの収集と処理に必要な重要な要素について概説する。
開発された技術能力は、非人間コミュニケーションと動物行動研究を研究する幅広いコミュニティにおいて、クロス応用と進歩をもたらす可能性が高い。
論文 参考訳（メタデータ） (2021-04-17T18:39:22Z) - Discriminative Singular Spectrum Classifier with Applications on
Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。
タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。
提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文 参考訳（メタデータ） (2021-03-18T11:01:21Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z)
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。