論文の概要: Generating Synthetic Wildlife Health Data from Camera Trap Imagery: A Pipeline for Alopecia and Body Condition Training Data

• arxiv url: http://arxiv.org/abs/2603.26754v1
• Date: Mon, 23 Mar 2026 13:35:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.57515
• Title: Generating Synthetic Wildlife Health Data from Camera Trap Imagery: A Pipeline for Alopecia and Body Condition Training Data
• Title（参考訳）: カメラトラップ画像から合成野生生物の健康データを生成する:アロペシアと体調訓練データのためのパイプライン
• Authors: David Brundage,
• Abstract要約: カメラトラップ画像の野生生物の健康状態には、公開されていないML準備データセットがある。 実写カメラトラップ写真からアロペシアと野生動物の体調劣化を描写した合成訓練画像を生成するパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: No publicly available, ML ready datasets exist for wildlife health conditions in camera trap imagery, creating a fundamental barrier to automated health screening. We present a pipeline for generating synthetic training images depicting alopecia and body condition deterioration in wildlife from real camera trap photographs. Our pipeline constructs a curated base image set from iWildCam using MegaDetector derived bounding boxes and center frame weighted stratified sampling across 8 North American species. A generative phenotype editing system produces controlled severity variants depicting hair loss consistent with mange and emaciation. An adaptive scene drift quality control system uses a sham prefilter and decoupled mask then score approach with complementary day or night metrics to reject images where the generative model altered the original scene. We frame the pipeline explicitly as a screening data source. From 201 base images across 4 species, we generate 553 QC passing synthetic variants with an overall pass rate of 83 percent. A sim to real transfer experiment training exclusively on synthetic data and testing on real camera trap images of suspected health conditions achieves 0.85 AUROC, demonstrating that the synthetic data captures visual features sufficient for screening.
• Abstract（参考訳）: カメラトラップ画像における野生生物の健康状態のためのML準備データセットは公開されていない。 実写カメラトラップ写真からアロペシアと野生動物の体調劣化を描写した合成訓練画像を生成するパイプラインを提案する。 筆者らのパイプラインは,MegaDetector由来のバウンディングボックスと中心フレーム重み付き成層化サンプリングを用いて,iWildCamのキュレートされたベースイメージを構築した。 造形表現型編集システムは、マンジや乳化と整合した毛髪喪失を描写した制御された重症変種を産生する。 適応的なシーンドリフト品質制御システムは、シャムプリフィルターとデカップリングマスクを使用して、補完的な昼または夜のメトリクスでアプローチを採点し、生成モデルが元のシーンを変更した画像を削除する。 パイプラインを明示的にスクリーニングデータソースとしてフレーム化しています。 4種にまたがる201のベース画像から,全体の通過率83パーセントの合成変異体553のQCを生成する。 人工的なデータのみを訓練し、疑わしい健康状態の実際のカメラトラップ画像をテストするためのシミュレート・トゥ・リアルトランスファー実験は、0.85AUROCを達成し、合成データがスクリーニングに十分な視覚的特徴をキャプチャすることを示した。

関連論文リスト

• Lacking Data? No worries! How synthetic images can alleviate image scarcity in wildlife surveys: a case study with muskox (Ovibos moschatus) [36.23556720064733]
  視覚的空中計数やテレメトリ追跡を含む伝統的な調査手法は、北極圏のマスコックス人口を監視するために広く用いられている。 しかし、ディープラーニングオブジェクト検出モデル(ODM)の有効性は、小さなデータセットによって制限されることが多い。 本研究は,ゼロショット (ZS) と少数ショット (FS) の設定において, 限られたトレーニングデータを補うための合成画像 (SI) の統合と, マスコックス検出の改善について検討した。
  論文  参考訳（メタデータ） (2025-11-14T21:20:31Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Merging synthetic and real embryo data for advanced AI predictions [69.07284335967019]
  我々は、作成した2つのデータセットを用いて、2つの生成モデルをトレーニングし、既存の1つのデータセットを使用して、様々な細胞レベルで合成胚画像を生成する。 これらは実画像と組み合わせて、胚細胞ステージ予測のための分類モデルを訓練した。 その結果,実データと合成画像を組み合わせることで分類性能が向上し,実データのみをトレーニングした場合の94.5%に比べて97%の精度が得られた。
  論文  参考訳（メタデータ） (2024-12-02T08:24:49Z)
• Excretion Detection in Pigsties Using Convolutional and Transformerbased Deep Neural Networks [0.0]
  水たまりや糞のような動物の排ガスは家畜の農業において重要な排出源である。 水たまり領域を決定するための従来の研究手法では、納屋内の水たまりを手動で検出する必要がある。 本研究は,豚の排ガス検出における各種深層学習モデルの適合性について検討した最初のものである。
  論文  参考訳（メタデータ） (2024-11-29T21:00:08Z)
• XLD: A Cross-Lane Dataset for Benchmarking Novel Driving View Synthesis [84.23233209017192]
  本稿では,新しい駆動ビュー合成評価のための合成データセットを提案する。 トレーニングコースから逸脱した画像を1～4ドル(約1,400円)で撮影する。 我々は、フロントオンリーおよびマルチカメラ設定下で、既存のNVSアプローチを評価するための最初の現実的なベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-06-26T14:00:21Z)
• Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object Detection [40.97322222472642]
  本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。 糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。 我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
  論文  参考訳（メタデータ） (2023-06-26T16:48:20Z)
• Real-Time Damage Detection in Fiber Lifting Ropes Using Lightweight Convolutional Neural Networks [14.553374494874374]
  軽量畳み込みニューラルネットワークを用いた合成繊維ロープ画像の損傷検出システム ケネクラネスの専門家は、ロープの状態に応じて収集した画像に注釈を付け、正常または損傷を与えた。 モデルは96.5%の精度、94.8%の精度、98.3%のリコール、96.5%のF1スコア、99.3%のAUCで他の類似の手法より優れている。
  論文  参考訳（メタデータ） (2023-02-23T11:44:43Z)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

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。