論文の概要: RareSpot+: A Benchmark, Model, and Active Learning Framework for Small and Rare Wildlife in Aerial Imagery

• arxiv url: http://arxiv.org/abs/2604.20000v1
• Date: Tue, 21 Apr 2026 21:18:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.850942
• Title: RareSpot+: A Benchmark, Model, and Active Learning Framework for Small and Rare Wildlife in Aerial Imagery
• Title（参考訳）: RareSpot+: 航空画像における小型・希少野生生物のためのベンチマーク,モデル,アクティブラーニングフレームワーク
• Authors: Bowen Zhang, Jesse T. Boulerice, Charvi Mendiratta, Nikhil Kuniyil, Satish Kumar, Hila Shamon, B. S. Manjunath,
• Abstract要約: RareSpot+は、マルチスケールの一貫性学習、コンテキスト認識の強化、地理的にガイドされたアクティブラーニングを統合する、検出フレームワークである。 2 km2の航空データセットでは、RareSpot+はmAP@50を+35.2%(絶対+0.13)で検出する。 アクティブラーニングモジュールは、未ラベルタイルのわずか1.7%のアノテーション予算を使用して、プレーリードッグAPをさらに14.5%向上させる。
• 参考スコア（独自算出の注目度）: 9.37940568498261
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Automated wildlife monitoring from aerial imagery is vital for conservation but remains limited by two persistent challenges: the difficulty of detecting small, rare species and the high cost of large-scale expert annotation. Prairie dogs exemplify this problem -- they are ecologically important yet appear tiny, sparsely distributed, and visually indistinct from their surroundings, posing a severe challenge for conventional detection models. To overcome these limitations, we present RareSpot+, a detection framework that integrates multi-scale consistency learning, context-aware augmentation, and geospatially guided active learning to address these issues. A novel multi-scale consistency loss aligns intermediate feature maps across detection heads, enhancing localization of small (approx. 30 pixels wide) objects without architectural changes, while context-aware augmentation improves robustness by synthesizing hard, ecologically plausible examples. A geospatial active learning module exploits domain-specific spatial priors linking prairie dogs and burrows, together with test-time augmentation and a meta-uncertainty model, to reduce redundant labeling. On a 2 km^2 aerial dataset, RareSpot+ improves detection over the baseline mAP@50 by +35.2% (absolute +0.13). Cross-dataset tests on HerdNet, AED, and several other wildlife benchmarks demonstrate robust detector-level transferability. The active learning module further boosts prairie dog AP by 14.5% using an annotation budget of just 1.7% of the unlabeled tiles. Beyond detection, RareSpot+ enables spatial ecological analyses such as clustering and co-occurrence, linking vision-based detection with quantitative ecology.
• Abstract（参考訳）: 航空画像からの野生生物の自動監視は保存には不可欠であるが、小型で希少な種を検出することの難しさと、大規模な専門家アノテーションのコストの高さという2つの課題によって制限されている。 プレーリー・ドッグは、この問題を実証している ― 生態学的に重要だが、小さく、わずかに分布し、周囲から視覚的に不明瞭に見え、従来の検出モデルにとって深刻な課題となっている。 これらの制限を克服するために,マルチスケールの一貫性学習,コンテキスト認識の強化,ジオスパティカルに指導されたアクティブ学習を統合した検出フレームワークであるRareSpot+を提案する。 新たなマルチスケール整合性損失は、検出ヘッドをまたいで中間特徴写像を整列させ、アーキテクチャ上の変化のない小さな(約30ピクセルの幅)オブジェクトの局所化を高め、一方、コンテキスト認識の増大は、硬く生態学的に妥当な例を合成することによって堅牢性を向上させる。 地理空間的能動学習モジュールは、プレーリードッグとバロウをリンクするドメイン固有の空間的先行性を利用して、テスト時間拡張とメタ不確実性モデルを用いて冗長なラベリングを低減する。 2km^2の航空データセットでは、RareSpot+はmAP@50を+35.2%(絶対+0.13)で検出する。 HerdNet、AED、その他の野生生物のベンチマークにおけるクロスデータセットテストは、堅牢な検出器レベルの転送可能性を示している。 アクティブラーニングモジュールは、未ラベルタイルのわずか1.7%のアノテーション予算を使用して、プレーリードッグAPをさらに14.5%向上させる。 検出以外にも、RareSpot+はクラスタリングや共起などの空間生態分析を可能にし、視覚に基づく検出と定量的生態学を結びつける。

関連論文リスト

• Weakly supervised framework for wildlife detection and counting in challenging Arctic environments: a case study on caribou (Rangifer tarandus) [0.0]
  本稿では,検出ネットワークのアーキテクチャに基づく,弱教師付きパッチレベルの事前トレーニングを提案する。 このデータセットには、アラスカに分布する5つのカリブー群れが含まれている。
  論文  参考訳（メタデータ） (2026-01-26T19:02:18Z)
• RareSpot: Spotting Small and Rare Wildlife in Aerial Imagery with Multi-Scale Consistency and Context-Aware Augmentation [6.756718879272925]
  RareSpotは、マルチスケールの一貫性学習とコンテキスト認識強化を統合した堅牢な検出フレームワークである。 提案手法は最先端性能を実現し,ベースライン法と比較して検出精度を35%以上向上させる。
  論文  参考訳（メタデータ） (2025-06-23T20:03:43Z)
• DEAL-YOLO: Drone-based Efficient Animal Localization using YOLO [0.0]
  本研究は,無人航空機(UAV)画像における小型物体検出を改善する新しい手法を提案する。 Deal-YOLO は Wise IoU (WIoU) や Normalized Wasserstein Distance (NWD) のような多目的損失関数を採用しており、バウンディングボックスの中央付近のピクセルを優先している。 このモデルはLinear Deformable (LD)畳み込みによる効率的な特徴抽出により最適化され、計算効率を維持しながら精度を向上する。
  論文  参考訳（メタデータ） (2025-03-06T18:46:10Z)
• PAD-F: Prior-Aware Debiasing Framework for Long-Tailed X-ray Prohibited Item Detection [56.25222232778367]
  実世界の禁止アイテム検出シナリオにおけるオブジェクトクラスの分布は、しばしばはっきりとした長い尾の分布を示す。 本稿では,2つの戦略を取り入れた新しいアプローチであるPAD-F(Presideed-Aware Debiasing Framework)を紹介する。 PAD-Fは複数の一般的な検出器の性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-11-27T06:13:56Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• Bootstrapping Rare Object Detection in High-Resolution Satellite Imagery [2.242884292006914]
  本稿では,このようなまれなオブジェクト検出タスクをブートストラップする問題に対処する。 我々は、パッチをサンプリングするための新しいオフラインおよびオンラインクラスタベースのアプローチを提案する。 ケニア・タンザニアのセレンゲティ・マラ地域において,牧畜動物に対するボマ(あるいは小さな囲い)の同定方法を適用した。
  論文  参考訳（メタデータ） (2024-03-05T07:44:13Z)
• Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
  我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。 我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
  論文  参考訳（メタデータ） (2023-03-20T16:28:15Z)
• ReDFeat: Recoupling Detection and Description for Multimodal Feature Learning [51.07496081296863]
  我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。 本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。 我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-05-16T04:24:22Z)
• Pretrained equivariant features improve unsupervised landmark discovery [69.02115180674885]
  我々は、この課題を克服する2段階の教師なしアプローチを、強力なピクセルベースの特徴を初めて学習することによって定式化する。 本手法は,いくつかの難解なランドマーク検出データセットにおいて最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-04-07T05:42:11Z)

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。