論文の概要: Lessons and Open Questions from a Unified Study of Camera-Trap Species Recognition Over Time

• arxiv url: http://arxiv.org/abs/2603.20509v1
• Date: Fri, 20 Mar 2026 21:24:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.943541
• Title: Lessons and Open Questions from a Unified Study of Camera-Trap Species Recognition Over Time
• Title（参考訳）: カメラ・トラックの種別認識に関する一貫した研究から学んだ教訓とオープンな質問
• Authors: Sooyoung Jeon, Hongjie Tian, Lemeng Wang, Zheda Mai, Vidhi Bakshi, Jiacheng Hou, Ping Zhang, Arpita Chowdhury, Jianyang Gu, Wei-Lun Chao,
• Abstract要約: 本研究は, カメラトラップの種認識に関する最初の統一的研究である。 本稿では,546枚のカメラトラップと,時系列に順序づけられた間隔でモデルを評価するストリーミングプロトコルを用いた現実的なベンチマークを提案する。 この難しさの要因は, 集団的不均衡と種分布の経時的変化と, 連続する間隔の背景の相違である。
• 参考スコア（独自算出の注目度）: 35.82748436858701
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Camera traps are vital for large-scale biodiversity monitoring, yet accurate automated analysis remains challenging due to diverse deployment environments. While the computer vision community has mostly framed this challenge as cross-domain generalization, this perspective overlooks a primary challenge faced by ecological practitioners: maintaining reliable recognition at the fixed site over time, where the dynamic nature of ecosystems introduces profound temporal shifts in both background and animal distributions. To bridge this gap, we present the first unified study of camera-trap species recognition over time. We introduce a realistic benchmark comprising 546 camera traps with a streaming protocol that evaluates models over chronologically ordered intervals. Our end-user-centric study yields four key findings. (1) Biological foundation models (e.g., BioCLIP 2) underperform at numerous sites even in initial intervals, underscoring the necessity of site-specific adaptation. (2) Adaptation is challenging under realistic evaluation: when models are updated using past data and evaluated on future intervals (mirrors real deployment lifecycles), naive adaptation can even degrade below zero-shot performance. (3) We identify two drivers of this difficulty: severe class imbalance and pronounced temporal shift in both species distribution and backgrounds between consecutive intervals. (4) We find that effective integration of model-update and post-processing techniques can largely improve accuracy, though a gap from the upper bounds remains. Finally, we highlight critical open questions, such as predicting when zero-shot models will succeed at a new site and determining whether/when model updates are necessary. Our benchmark and analysis provide actionable deployment guidelines for ecological practitioners while establishing new directions for future research in vision and machine learning.
• Abstract（参考訳）: カメラトラップは大規模生物多様性監視に不可欠であるが、多様な展開環境のため、正確な自動分析は難しいままである。 コンピュータビジョンのコミュニティは、この課題をクロスドメインの一般化として捉えてきたが、この視点は、生態系のダイナミックな性質が背景と動物の分布に大きな時間的変化をもたらす、固定された場所での信頼性の維持という、生態学的実践者が直面する主な課題を見落としている。 このギャップを埋めるために、時間とともにカメラトラップ種認識の統一的な研究を初めて提示する。 本稿では,546枚のカメラトラップと,時系列に順序づけられた間隔でモデルを評価するストリーミングプロトコルを用いた現実的なベンチマークを提案する。 エンドユーザー中心の研究は4つの重要な発見をもたらす。 1)生物基盤モデル(例えば、BioCLIP) 2) 初期間隔においても多くの部位で性能が低下し, 部位別適応の必要性が強調された。 2) モデルが過去のデータを使用して更新され、将来の間隔(実際のデプロイメントライフサイクル)で評価される場合、単純適応はゼロショットのパフォーマンスよりも低下する可能性がある。 (3) 本課題の要因は, 集団不均衡と種分布の経時的変化と, 連続する間隔間の背景変化の2つである。 4) モデル更新と後処理の効果的な統合は, 上界との差は残るものの, 精度を大幅に向上させることができることがわかった。 最後に、ゼロショットモデルがいつ新しい場所で成功するかを予測し、モデル更新が必要かどうかを決定するなど、重要なオープンな疑問を強調します。 我々のベンチマークと分析は、生態学的実践者に対して実行可能なデプロイメントガイドラインを提供しながら、将来のビジョンと機械学習研究のための新たな方向性を確立している。

関連論文リスト

• Context-Aware Multimodal Representation Learning for Spatio-Temporally Explicit Environmental Modelling [3.3984815208531014]
  本稿では,高時間分解能で異なるモダリティを統一空間に統合する表現学習フレームワークを提案する。 提案手法は,クラウドフリーのSentinel-2データの時間周波数と10mのネイティブ解像度で遅延空間を生成する。 これにより、モデルが補完的なリモートセンシングデータをキャプチャし、空間と時間のコヒーレンスを保存することができる。
  論文  参考訳（メタデータ） (2025-11-12T15:34:17Z)
• Gesture Generation (Still) Needs Improved Human Evaluation Practices: Insights from a Community-Driven State-of-the-Art Benchmark [55.41250396114216]
  音声認識による3Dジェスチャー生成における人的評価の実践について検討する。 本稿では,広範に使用されているBEAT2モーションキャプチャーデータセットの詳細な評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2025-11-03T05:17:28Z)
• Predicting change in time production -- A machine learning approach to time perception [1.3091548163229116]
  我々は、個人の時間生産における変化の方向を予測するために、機械学習モデルを訓練する。 時間生産における変化の方向を決定する上で,参加者のこれまでのタイミングパフォーマンスが重要な役割を担っていることがわかった。
  論文  参考訳（メタデータ） (2024-12-17T10:41:19Z)
• A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
  マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。 モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。 本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
  論文  参考訳（メタデータ） (2024-08-26T17:59:01Z)
• The Paradox of Motion: Evidence for Spurious Correlations in Skeleton-based Gait Recognition Models [4.089889918897877]
  本研究は、視覚に基づく歩行認識が主に動きパターンに依存しているという一般的な仮定に挑戦する。 高さ情報の除去が顕著な性能低下につながることを比較分析により示す。 本研究では,時間的情報を無視して個々のポーズを処理する空間変換器モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-13T09:33:12Z)
• Deep Learning for Event-based Vision: A Comprehensive Survey and Benchmarks [55.81577205593956]
  イベントカメラはバイオインスパイアされたセンサーで、ピクセルごとの強度の変化を非同期に捉える。 深層学習(DL)はこの新興分野に導入され、その可能性のマイニングに活発な研究努力にインスピレーションを与えている。
  論文  参考訳（メタデータ） (2023-02-17T14:19:28Z)
• Consistency Guided Scene Flow Estimation [159.24395181068218]
  CGSFは立体映像からの3次元シーン構造と動きの同時再構成のための自己教師型フレームワークである。 提案モデルでは,課題の画像の相違やシーンフローを確実に予測できることを示す。 最先端技術よりも優れた一般化を実現し、目に見えない領域に迅速かつ堅牢に適応する。
  論文  参考訳（メタデータ） (2020-06-19T17:28:07Z)

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。