論文の概要: Transformer-Based Wildlife Species Classification from Daily Movement Trajectories

• arxiv url: http://arxiv.org/abs/2605.06726v1
• Date: Thu, 07 May 2026 11:20:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.490485
• Title: Transformer-Based Wildlife Species Classification from Daily Movement Trajectories
• Title（参考訳）: 日常生活行動軌跡からのトランスフォーマーに基づく野生生物種分類
• Authors: Obed Irakoze, Prasenjit Mitra,
• Abstract要約: 大規模で7種のGPSトラジェクトリでシーケンスモデルを訓練する。 トラジェクトリモデルは、テスト中にテレメトリの全研究または領域をホールトアウトするプロトコルを用いて評価される。 変圧器は、ほぼ8～22ポイントの利得で、常により高いバランスの取れた精度を達成する。
• 参考スコア（独自算出の注目度）: 13.570863502498336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring the identity of wildlife species from daily movement data alone is a challenging task. We train sequence models on large-scale, 7-species GPS trajectories from the Movebank platform. Trajectories models are evaluated using a protocol in which entire telemetry studies or regions are heldout during testing. We compare Transformer-based sequence models to LSTM, CNN, and Temporal Convolutional Networks, and find that Transformers consistently achieve higher balanced accuracy with gains of approximately 8 to 22 percentage points, depending on the species and experimental setting. In an elephant binary classification task with 1-hour resolution, the Transformer achieves a balanced accuracy of 0.83 and an AUC of 0.92, substantially outperforming all baseline models. We examine, under data-limited conditions, feature representations by analyzing the differences between a basic displacement-based encoding and an expanded range of movement descriptors that include speed, direction, and turning behavior. With feature augmentation, we see clear performance gains, especially for underrepresented and sparsely represented species, such as large carnivores, lions, and Zebras. Finally, experiments comparing 1-hour and 30-minutetemporal resolutions show that while finer sampling can capture short-term movement patterns for some species, a unified 1-hour resolution yields more promising performance across studies by reducing missing data and ensuring consistent temporal coverage.
• Abstract（参考訳）: 日々の移動データだけで野生生物の身元を推定することは難しい課題である。 我々は、Movebankプラットフォームから大規模な7種類のGPSトラジェクトリでシーケンスモデルを訓練する。 トラジェクトリモデルは、テスト中にテレメトリの全研究または領域をホールトアウトするプロトコルを用いて評価される。 我々はTransformerベースのシーケンスモデルをLSTM,CNN,Temporal Convolutional Networksと比較し、Transformerは、種や実験環境に応じて、約8～22ポイントの利得で、常に高いバランスの取れた精度を達成できることを示した。 1時間解像度のゾウバイナリ分類タスクでは、Transformerはバランスの取れた精度0.83とAUC0.92を達成し、全てのベースラインモデルを大幅に上回る。 データ制限条件下では,基本変位に基づく符号化と,速度,方向,旋回動作を含む移動記述子の拡張範囲の違いを解析し,特徴表現について検討する。 特徴増強により、特に大きな肉食動物、ライオン、ゼブラのような、疎らで表現されていない種に対して、明らかなパフォーマンス向上が見られる。 最後に、1時間の時間分解能と30分の時間分解能を比較した実験により、より微細なサンプリング法は一部の種の短期的な運動パターンを捉えることができるが、統一された1時間の分解能は、欠落したデータを減らし、一貫した時間的カバレッジを確保することによって、研究全体でより有望なパフォーマンスをもたらすことが示された。

関連論文リスト

• Hierarchical Side-Tuning for Vision Transformers [33.536948382414316]
  微調整された事前訓練された視覚変換器(ViTs)は、視覚認識タスクの強化に大きく貢献している。 PETLは、完全な微調整に比べてパラメータ更新が少なく、高いパフォーマンスを実現する可能性がある。 本稿では,多様な下流タスクへのVTモデルの転送を容易にする革新的PETL手法である階層側チューニング(HST)を紹介する。
  論文  参考訳（メタデータ） (2023-10-09T04:16:35Z)
• TrTr: A Versatile Pre-Trained Large Traffic Model based on Transformer for Capturing Trajectory Diversity in Vehicle Population [13.75828180340772]
  本研究では,トランスフォーマーアーキテクチャを交通タスクに適用し,車内における軌道の多様性を学習することを目的とした。 我々は、注意機構に合わせてデータ構造を作成し、繰り返しの時間的要求に対応する一連のノイズを導入する。 設計した事前学習モデルは,車両の空間分布を捉える上で優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-22T07:36:22Z)
• Emergent Agentic Transformer from Chain of Hindsight Experience [96.56164427726203]
  簡単なトランスフォーマーベースモデルが時間差と模倣学習に基づくアプローチの両方と競合することを示す。 単純なトランスフォーマーベースのモデルが時間差と模倣学習ベースのアプローチの両方で競合するのはこれが初めてである。
  論文  参考訳（メタデータ） (2023-05-26T00:43:02Z)
• TempNet: Temporal Attention Towards the Detection of Animal Behaviour in Videos [63.85815474157357]
  本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。 TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。 本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
  論文  参考訳（メタデータ） (2022-11-17T23:55:12Z)
• GC-GRU-N for Traffic Prediction using Loop Detector Data [5.735035463793008]
  シアトルのループ検出器のデータを15分以上収集し、その問題を時空で再現する。 モデルは、最速の推論時間と非常に近いパフォーマンスで第2位(トランスフォーマー)。
  論文  参考訳（メタデータ） (2022-11-13T06:32:28Z)
• STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
  本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。 実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2021-07-15T02:53:11Z)
• Zoo-Tuning: Adaptive Transfer from a Zoo of Models [82.9120546160422]
  Zoo-Tuningは、事前訓練されたモデルのパラメータをターゲットタスクに適応的に転送することを学ぶ。 我々は、強化学習、画像分類、顔のランドマーク検出など、様々なタスクに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-06-29T14:09:45Z)
• Vision Transformers are Robust Learners [65.91359312429147]
  ビジョントランスフォーマー(ViT)の一般的な腐敗や摂動、分布シフト、自然逆転例に対する堅牢性について検討します。 ViTsが実際により堅牢な学習者である理由を説明するために、定量的および定性的な指標を提供する分析を提示します。
  論文  参考訳（メタデータ） (2021-05-17T02:39:22Z)

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。