論文の概要: Efficient Brood Cell Detection in Layer Trap Nests for Bees and Wasps: Balancing Labeling Effort and Species Coverage

• arxiv url: http://arxiv.org/abs/2603.16652v1
• Date: Tue, 17 Mar 2026 15:21:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.368102
• Title: Efficient Brood Cell Detection in Layer Trap Nests for Bees and Wasps: Balancing Labeling Effort and Species Coverage
• Title（参考訳）: ミツバチおよびハチの寄生巣における効率的な血液細胞検出--ラベリング効果と種被覆のバランスをとる
• Authors: Chenchang Liu, Felix Fornoff, Annika Grasreiner, Patrick Maeder, Henri Greil, Marco Seeland,
• Abstract要約: 層トラップ巣(LTN)は、野生のミツバチやハチの豊富さと種多様性を研究する貴重な道具として出現している。 血液細胞を検出・分類するためのLTNを手動で評価することは、労働集約的で時間を要する。 LTNにおける効率的な血液細胞検出と分類のためのディープラーニングに基づくアプローチを提案する。
• 参考スコア（独自算出の注目度）: 1.2508502162035755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monitoring cavity-nesting wild bees and wasps is vital for biodiversity research and conservation. Layer trap nests (LTNs) are emerging as a valuable tool to study the abundance and species richness of these insects, offering insights into their nesting activities and ecological needs. However, manually evaluating LTNs to detect and classify brood cells is labor-intensive and time-consuming. To address this, we propose a deep learning based approach for efficient brood cell detection and classification in LTNs. LTNs present additional challenges due to densely packed brood cells, leading to a high labeling effort per image. Moreover, we observe a significant imbalance in class distribution, with common species having notably more occurrences than rare species. Comprehensive labeling of common species is time-consuming and exacerbates data imbalance, while partial labeling introduces data incompleteness which degrades model performance. To reduce labeling effort and mitigate the impact of unlabeled data, we introduce a novel Constrained False Positive Loss (CFPL) strategy. CFPL dynamically masks predictions from unlabeled data, preventing them from interfering with the classification loss during training. We evaluate our approach on a dataset of 712 LTN images collected over one season, covering 28 fine-grained classes describing the taxonomy and status of brood cells. To minimize labeling effort, we limit the training set to a maximum of 300 labels per class. Experimental results demonstrate that deep learning can be effectively used to detect brood cells in LTNs. Our CFPL method further improves performance and balances model accuracy and labeling effort while also mitigating class imbalance.
• Abstract（参考訳）: キャビティにこだわる野生のミツバチやハチをモニタリングすることは、生物多様性の研究と保全に不可欠である。 層トラップ巣(LTN)は、これらの昆虫の豊富さと種多様性を研究する貴重な道具として現れており、その営巣活動と生態的ニーズに関する洞察を与えている。 しかし、血液細胞を検出・分類するためのLTNを手動で評価することは、労働集約的で時間を要する。 そこで本研究では,LTNの効率的な血液細胞検出と分類のためのディープラーニングに基づくアプローチを提案する。 LTNは、高濃度のブロド細胞により、画像1枚あたりのラベル付けの労力が高くなるため、さらなる課題を呈している。 さらに,類型分布の著しい不均衡が観察され,希少種よりも顕著に頻度の高い共通種が観察された。 共通種の包括的ラベリングはデータ不均衡を悪化させる一方、部分的ラベリングはデータ不完全性を導入し、モデル性能を低下させる。 ラベル付けの労力を減らし,ラベル付けされていないデータの影響を軽減するため,新たなCFPL(Constrained False Positive Loss)戦略を導入する。 CFPLはラベルのないデータからの予測を動的にマスクし、トレーニング中の分類損失に干渉しないようにする。 1シーズンで収集した712枚のLTN画像のデータセットを用いて,分類と血液細胞の状態を示す28種類の微細なクラスについて検討した。 ラベル付けの労力を最小限にするため、トレーニングセットをクラス毎に最大300ラベルに制限します。 実験の結果、深層学習はLTNの血液細胞を効果的に検出できることが示された。 CFPL法は,クラス不均衡を緩和しつつ,モデル精度とラベル付け作業のバランスをさらに改善する。

関連論文リスト

• Co-Training with Active Contrastive Learning and Meta-Pseudo-Labeling on 2D Projections for Deep Semi-Supervised Learning [42.56511266791916]
  SSLはこの課題に対処し、ラベル付きで豊富なラベル付けされていないデータを活用する。 教師によるメタ擬似ラベリングとALを効果的に組み合わせた能動型DeepFAを提案する。
  論文  参考訳（メタデータ） (2025-04-25T19:41:45Z)
• Revisiting Class Imbalance for End-to-end Semi-Supervised Object Detection [1.6249267147413524]
  半教師付きオブジェクト検出(SSOD)は、擬似ラベルに基づくエンドツーエンド手法の開発において大きな進歩を遂げている。 多くの手法は、擬似ラベルジェネレータの有効性を妨げるクラス不均衡のため、課題に直面している。 本稿では,低品質な擬似ラベルの根本原因と,ラベル生成品質を改善するための新しい学習メカニズムについて検討する。
  論文  参考訳（メタデータ） (2023-06-04T06:01:53Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Revisiting Pretraining for Semi-Supervised Learning in the Low-Label Regime [15.863530936691157]
  半教師付き学習(SSL)は、擬似ラベル付けによって大きなラベル付きデータを活用することでラベル付きデータの欠如に対処する。 近年の研究では、訓練済み重量の微調整(FT)をSSLと組み合わせて課題を緩和し、低ラベル体制においてより優れた結果を主張している。
  論文  参考訳（メタデータ） (2022-05-06T03:53:25Z)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• L2B: Learning to Bootstrap Robust Models for Combating Label Noise [52.02335367411447]
  本稿では,Learning to Bootstrap (L2B) という,シンプルで効果的な手法を提案する。 モデルは、誤った擬似ラベルの影響を受けずに、自身の予測を使ってブートストラップを行うことができる。 これは、実際の観測されたラベルと生成されたラベル間の重みを動的に調整し、メタラーニングを通じて異なるサンプル間の重みを動的に調整することで実現される。
  論文  参考訳（メタデータ） (2022-02-09T05:57:08Z)
• Weakly Supervised Attention-based Models Using Activation Maps for Citrus Mite and Insect Pest Classification [7.6197178280107725]
  本研究は、小領域の分類を改善するために、注意に基づくアクティベーションマップ手法を提案する。 本稿では,Saliency Maps によるAttention-based Multiple Instance Learning Guided と呼ばれる2段階のネットワークプロセスに適用する。 われわれのアプローチでは、有能な昆虫の箱の位置を推測し、位置ラベルなしで訓練する。
  論文  参考訳（メタデータ） (2021-10-02T21:42:22Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• Disentangling Sampling and Labeling Bias for Learning in Large-Output Spaces [64.23172847182109]
  異なる負のサンプリングスキームが支配的ラベルと稀なラベルで暗黙的にトレードオフパフォーマンスを示す。 すべてのラベルのサブセットで作業することで生じるサンプリングバイアスと、ラベルの不均衡に起因するデータ固有のラベルバイアスの両方に明示的に対処する統一された手段を提供する。
  論文  参考訳（メタデータ） (2021-05-12T15:40:13Z)
• Dynamic $\beta$-VAEs for quantifying biodiversity by clustering optically recorded insect signals [0.6091702876917281]
  本稿では,系統群によるデータのクラスタリングが可能な変分オートエンコーダ(VAE)の適応的変種を提案する。 南スカンジナビアの光記録昆虫信号に対する動的$beta$-VAEの有用性を実証した。
  論文  参考訳（メタデータ） (2021-02-10T16:14:13Z)

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。