Fugu-MT 論文翻訳(概要): SAM3-Assisted Training of Lightweight YOLO Models for Precision Pig Farming

論文の概要: SAM3-Assisted Training of Lightweight YOLO Models for Precision Pig Farming

arxiv url: http://arxiv.org/abs/2605.25860v1
Date: Mon, 25 May 2026 13:50:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-26 19:50:20.234901
Title: SAM3-Assisted Training of Lightweight YOLO Models for Precision Pig Farming
Title（参考訳）: SAM3-Assisted Training of Lightweight YOLO Models for Precision Pig Farming (特集バイオサイバネティックスとバイオサイバネティックス)
Authors: Marcos Vinicius Mendes Faria, Thiago Borges Pereira, Isabella C. F. S. Condotta, Thiago Meireles Paixão, Francisco de Assis Boldt,
Abstract要約: 本研究は、効率の良いYOLOv8検出器を訓練するためのゼロショット擬似ラベルを生成するための完全自動知識蒸留パイプラインを提案する。 SAM 3をオフライン自動アノテーションとして扱うことにより,手作業によるラベル付けのボトルネックを解消し,リソース制約のあるハードウェア上でリアルタイムな推論が可能なモデルを生成する。その結果、SAM 3 トレーニングされた YOLOv8m が平均平均平均精度 79.4% を人間の介入なしに達成し、推論遅延を教師モデルと比較して約200$times$に削減した。
参考スコア（独自算出の注目度）: 0.3044748118797888
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning-based object detection has revolutionized Precision Livestock Farming (PLF), yet a critical barrier remains: high-performance Foundation Models (such as SAM 3) are too computationally intensive for edge deployment, while lightweight models (like YOLO) require prohibitive manual annotation efforts. This work proposes a fully automated knowledge distillation pipeline that leverages the Segment Anything Model 3 (SAM 3) to generate zero-shot pseudo-labels for training efficient YOLOv8 detectors. By treating SAM 3 as an offline auto-annotator, we eliminate the manual labeling bottleneck, producing models capable of real-time inference on resource-constrained hardware. We systematically evaluate this approach on the PigLife dataset, comparing SAM 3-supervised models against human-annotated baselines. Results demonstrate that a SAM 3-trained YOLOv8m achieves a mean Average Precision (mAP) of 79.4% without human intervention, while reducing inference latency by approximately 200$\times$ compared to the teacher model. Furthermore, stratified analysis reveals that in low-occlusion scenarios, the automated pipeline achieves detection rates comparable to human benchmarks ($AP_{50} > 99\%$). These findings indicate that foundation models can serve as effective, zero-annotation-cost supervisors, enabling scalable edge computing solutions for smart agriculture.
Abstract（参考訳）: 高度なファンデーションモデル(SAM 3 など)は、エッジデプロイメントには計算集約的すぎる一方で、軽量モデル(YOLO など)は、禁止的な手動アノテーション作業を必要としている。本研究は、Segment Anything Model 3 (SAM3) を利用して、効率的なYOLOv8検出器を訓練するためのゼロショット擬似ラベルを生成する完全自動知識蒸留パイプラインを提案する。 SAM 3をオフライン自動アノテーションとして扱うことにより,手作業によるラベル付けのボトルネックを解消し,リソース制約のあるハードウェア上でリアルタイムな推論が可能なモデルを生成する。この手法をPigLifeデータセット上で体系的に評価し,SAM 3教師付きモデルと人間の注釈付きベースラインを比較した。結果は、SAM 3 トレーニングされた YOLOv8m が平均平均平均精度 79.4% を人間の介入なしに達成し、推論遅延を教師モデルと比較して約200$\times$ に削減することを示した。さらに、階層化分析により、低閉塞シナリオでは、自動パイプラインは人間のベンチマーク(AP_{50} > 99\%$)に匹敵する検出率を達成することが明らかになった。これらの結果から, 基盤モデルは, スマート農業にスケーラブルなエッジコンピューティングソリューションを実現するため, 効率的なゼロアノテーションコストのスーパーバイザとして機能することが示唆された。

関連論文リスト

Botnet Detection on CTU-13 Using Lightweight Machine Learning Models [0.0]
ボットネットは最も永続的なサイバー脅威の1つであり、スパム、クレデンシャル盗難、分散型サービス拒否(DDoS)のような大規模な攻撃を可能にする。ディープラーニングのアプローチは、最近ボットネット検出に応用されているが、それらは計算集約的であり、しばしば解釈容易性に欠ける。我々は、CTU-13データセット上で、ロジスティック回帰、決定木、ランダムフォレストを含む軽量機械学習モデルの比較研究を行う。
論文参考訳（メタデータ） (2026-05-21T20:16:14Z)
ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
$textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。 Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
論文参考訳（メタデータ） (2026-05-11T16:20:51Z)
FL-PBM: Pre-Training Backdoor Mitigation for Federated Learning [15.911410230033816]
バックドア攻撃は、人工知能(AI)モデルの完全性と信頼性に重大な脅威をもたらす。本稿では,フェデレートラーニングのための事前学習バックドア緩和を提案する。フェデレートされた学習環境において、モデルトレーニングの前に、クライアント側の有毒データを積極的にフィルタリングする。
論文参考訳（メタデータ） (2026-03-30T16:56:38Z)
Robust Object Detection with Pseudo Labels from VLMs using Per-Object Co-teaching [1.53934570513443]
この研究は、効率的でリアルタイムな物体検出器を訓練するための擬似ラベルを自動的に生成する新しいパイプラインを導入している。私たちの重要な革新は、VLM生成ラベルに固有のノイズを緩和する、オブジェクトごとのコティーチングベースのトレーニング戦略です。全体として、私たちのパイプラインは、自律運転のための高性能物体検出器を訓練するための、効率的で堅牢でスケーラブルなアプローチを提供します。
論文参考訳（メタデータ） (2025-11-13T04:37:35Z)
S$^2$R: Teaching LLMs to Self-verify and Self-correct via Reinforcement Learning [51.84977135926156]
S$2$Rはモデルに推論時の自己検証と自己正当性を教えることによってLLM推論を強化する効率的なフレームワークである。以上の結果から,Qwen2.5-math-7Bの精度は51.0%から81.6%に向上した。
論文参考訳（メタデータ） (2025-02-18T13:40:22Z)
It's all about PR -- Smart Benchmarking AI Accelerators using Performance Representatives [40.197673152937256]
統計性能モデルのトレーニングは、しばしば大量のデータを必要とするため、かなりの時間的投資となり、ハードウェアの可用性が制限された場合に困難になる。本稿では,精度を保ちながらトレーニングサンプル数を著しく削減する性能モデリング手法を提案する。その結果,単層推定では0.02%,トレーニングサンプル10000点未満では0.68%という平均絶対誤差(MAPE)が得られた。
論文参考訳（メタデータ） (2024-06-12T15:34:28Z)
Towards Robust Federated Learning via Logits Calibration on Non-IID Data [49.286558007937856]
Federated Learning(FL)は、エッジネットワークにおける分散デバイスの共同モデルトレーニングに基づく、プライバシ保護のための分散管理フレームワークである。近年の研究では、FLは敵の例に弱いことが示されており、その性能は著しく低下している。本研究では,対戦型訓練(AT)フレームワークを用いて,対戦型実例(AE)攻撃に対するFLモデルの堅牢性を向上させる。
論文参考訳（メタデータ） (2024-03-05T09:18:29Z)
Semi-supervised 3D Object Detection with Proficient Teachers [114.54835359657707]
自律運転のシナリオにおけるクラウドベースの3Dオブジェクト検出器の優位性は、大量の正確なラベル付きサンプルに大きく依存している。 Pseudo-Labeling法はSSLフレームワークで一般的に使用されているが、教師モデルの低品質な予測は、その性能を著しく制限している。そこで本研究では,教師モデルをさらに高度化することで,半教師付き3次元物体検出のためのPseudo-Labelingフレームワークを提案する。
論文参考訳（メタデータ） (2022-07-26T04:54:03Z)
Open-Set Semi-Supervised Learning for 3D Point Cloud Understanding [62.17020485045456]
半教師付き学習(SSL)では、ラベル付きデータと同じ分布からラベル付きデータが引き出されることが一般的である。サンプル重み付けによりラベルなしデータを選択的に活用することを提案する。
論文参考訳（メタデータ） (2022-05-02T16:09:17Z)
Active Self-Semi-Supervised Learning for Few Labeled Samples [4.713652957384158]
アノテーションを限定した深層モデルのトレーニングは、さまざまな実践領域に適用する上で、大きな課題となる。我々は,シンプルで効果的な自己半教師付き学習(AS3L)を提案する。擬似ラベル(PPL)を用いたAS3Lブートストラップ半教師付きモデル我々は,正確なPPLを得るために,能動的学習とラベル伝搬戦略を開発した。
論文参考訳（メタデータ） (2022-03-09T07:45:05Z)

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。