論文の概要: PlayClass: Automated Play Behaviour Classification in Poultry

• arxiv url: http://arxiv.org/abs/2605.27304v1
• Date: Tue, 26 May 2026 17:13:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.486568
• Title: PlayClass: Automated Play Behaviour Classification in Poultry
• Title（参考訳）: PlayClass: 養鶏場における遊び行動の自動分類
• Authors: Prince Ravi Leow, Neil Scheidwasser, Rebecca Oscarsson, Per Jensen, Samir Bhatt, David Alejandro Duchêne,
• Abstract要約: PlayClassは、養鶏の遊び行動分類のためのパイプラインである。 SAM 3による長期追跡をYOLO誘導のチャンク境界を介して行い、ポイントベースのプロンプトにおけるアイデンティティエラーを最小限に抑える。 V-JEPA 2.1はモデルスケールで他のすべてのバックボーンを上回った。
• 参考スコア（独自算出の注目度）: 0.8746179246110938
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated monitoring of animal welfare has largely targeted negative indicators, leaving positive welfare behaviours such as play underexplored. To address this gap, we present PlayClass, a pipeline for play-behaviour classification in poultry from top-down pen video. The pipeline leverages long-duration tracking with SAM 3 via YOLO-guided chunk boundaries to minimise identity errors in point-based prompting, and frozen embeddings from image and video foundation models for play action classification. Although handcrafted motion features from tracked masks alone achieved competitive accuracy, V-JEPA 2.1 consistently outperformed all other backbones across model scales, reaching 77.0 macro-averaged F$_1$ when combined with handcrafted features. Despite this result, the dataset remains challenging due to play sub-types sharing similar kinematic profiles with non-play and inter-bird occlusion. Overall, our work provides encouraging evidence towards automated frameworks for play behaviour classification in poultry.
• Abstract（参考訳）: 動物福祉の自動化されたモニタリングは、主にネガティブな指標を標的にしており、探索されていない遊びのような肯定的な福祉行動を残している。 このギャップに対処するために、トップダウンのペンビデオから鶏肉のプレイ・ビヘイビア分類のためのパイプラインであるPlayClassを紹介した。 パイプラインはSAM 3による長期追跡をYOLO誘導のチャンク境界を通じて活用し、ポイントベースのプロンプトにおけるアイデンティティエラーを最小限にし、プレイアクション分類のための画像およびビデオ基盤モデルからの埋め込みを凍結する。 追尾マスクのみによる手作りの動作特性は競争の正確さを達成したが、V-JEPA 2.1は、手作りの特徴と組み合わせて77.0マクロ平均F$_1$に達した。 この結果にもかかわらず、このデータセットは、非遊びと鳥類間の閉塞と同じような運動プロファイルを共有するサブタイプをプレイするため、依然として困難なままである。 全体的な研究は、養鶏における遊び行動分類のための自動フレームワークのエビデンスを提供する。

関連論文リスト

• Interpretable Human Activity Recognition for Subtle Robbery Detection in Surveillance Videos [0.0]
  非暴力的なストリート強盗(スナッチ・アンド・ラン)は、簡潔で微妙で、しばしば良心的な人間との相互作用と区別できないため、自動的に検出することは困難である。 本稿では,リアルタイム認識と解釈可能な分類段階を組み合わせた,スナッチ・アンド・ランイベントのハイブリッド・ポーズ駆動による検出手法を提案する。
  論文  参考訳（メタデータ） (2026-04-15T18:37:28Z)
• Toward Optimal Sampling Rate Selection and Unbiased Classification for Precise Animal Activity Recognition [10.741458442311362]
  個人ビヘイビア・アウェア・ネットワーク (IBA-Net) は、個人ビヘイビア・アウェア・ネットワーク (IBA-Net) である。 IBA-Netは複数のサンプリングレートからデータを抽出し、様々な動物の行動に合わせてカスタマイズされた特徴をキャプチャする。 我々は,ヤギ,牛,馬の行動認識に関する3つの公開データセットの実験を行った。
  論文  参考訳（メタデータ） (2026-04-01T06:02:58Z)
• A Computer Vision Pipeline for Individual-Level Behavior Analysis: Benchmarking on the Edinburgh Pig Dataset [0.46297934208241753]
  動物行動分析は、農業環境における動物福祉、健康状態、生産性を理解する上で重要な役割を担っている。 グループ住宅環境における動物の行動分析を自動化するために,オープンソースの最先端コンピュータビジョン技術を活用するモジュールパイプラインを提案する。 提案手法は, ゼロショット物体検出, モーション認識, セグメンテーションのための最先端モデルと, 頑健な動作認識のための視覚変換器を用いた高度な特徴抽出を組み合わせたものである。
  論文  参考訳（メタデータ） (2025-09-15T15:31:12Z)
• Learning to Track Any Points from Human Motion [55.831218129679144]
  点追跡のための擬似ラベル付きトレーニングデータを生成する自動パイプラインを提案する。 AnthroTAPでトレーニングされた点追跡モデルは、TAP-Vidベンチマークで注釈付き最先端性能を達成する。
  論文  参考訳（メタデータ） (2025-07-08T17:59:58Z)
• Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
  Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。 クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2025-05-22T17:11:58Z)
• Can Masked Autoencoders Also Listen to Birds? [2.430300340530418]
  Masked Autoencoders (MAEs) は、効率的な自己教師型再構成タスクを通じて、音声分類におけるリッチな意味表現を学習する。 汎用モデルは、きめ細かいオーディオドメインに直接適用しても、うまく一般化できない。 この領域ギャップを埋めるには、ドメイン固有の事前学習データだけでなく、完全なパイプライン適応が必要です。
  論文  参考訳（メタデータ） (2025-04-17T12:13:25Z)
• On Occlusions in Video Action Detection: Benchmark Datasets And Training Recipes [14.464718780172582]
  本稿では,映像行動検出におけるオクルージョンの影響について検討する。 我々は,O-UCF,O-JHMDB,OVIS-UCF,OVIS-JHMDB,Real-OUCFの5つのベンチマークデータセットを紹介する。 これらのレシピを利用するモデルは、O-UCFでは32.3%、O-JHMDBでは32.7%、Real-OUCFでは2.6%で、既存のビデオアクション検出器よりも優れている。
  論文  参考訳（メタデータ） (2024-10-25T13:27:55Z)
• Object-based (yet Class-agnostic) Video Domain Adaptation [78.34712426922519]
  我々はODAPT(Object-based (yet Class-Agnostic) Video Domain Adaptation)を提案する。 ODAPTは、既存のアクション認識システムを新しいドメインに適応するための、シンプルで効果的なフレームワークである。 我々のモデルは、Epic-Kitchensのキッチン間で適応する場合の+6.5の増加と、Epic-KitchensとEGTEAデータセット間の適応率の+3.1の増加を実現している。
  論文  参考訳（メタデータ） (2023-11-29T01:17:38Z)
• Learning to Mask and Permute Visual Tokens for Vision Transformer Pre-Training [55.12082817901671]
  我々はMasked and Permuted Vision Transformer(MaPeT)という自己教師型事前学習手法を提案する。 MaPeTは、自動回帰および置換予測を使用して、パッチ内依存関係をキャプチャする。 以上の結果から,MaPeTはベースラインやコンペティターと同一のモデル設定で比較して,ImageNet上での競合性能を実証した。
  論文  参考訳（メタデータ） (2023-06-12T18:12:19Z)
• 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)

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。