論文の概要: Overhead Wildlife Locator (OWL): Benchmarking Weakly Supervised Learning for Aerial Wildlife Surveys

• arxiv url: http://arxiv.org/abs/2606.13911v1
• Date: Thu, 11 Jun 2026 21:04:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.650795
• Title: Overhead Wildlife Locator (OWL): Benchmarking Weakly Supervised Learning for Aerial Wildlife Surveys
• Title（参考訳）: オーバーヘッド野生生物ロケータ(OWL:Overhead Wildlife Locator) : 航空野生生物調査における弱監視学習のベンチマーク
• Authors: Isai Daniel Chacón, Zhongqi Miao, Bruno Demuro, Caleb Robinson, Rahul Dodhia, Lasha Otarashvili, Jason Holmberg, Kirk Larsen, Howard Frederick, Nathan J. Pamperin, Pablo Arbeláez, Juan M. Lavista Ferres,
• Abstract要約: Overhead Wildlife Locatorは、3つの変種を持つ弱い教師付き密度推定フレームワークである。 POLO、YOLOv11n、YOLOv11lの3つを5つのパブリックな航空データセットでベンチマークします。 我々は、OWLコード、モデルウェイト、注釈付きPorcupine Caribou Herd(PCH)およびCentral Arctic Herd 2022(CAH)パッチをリリースした。
• 参考スコア（独自算出の注目度）: 9.217893150870331
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated aerial wildlife surveys increasingly rely on deep learning, yet standard object detectors require bounding-box annotations, reported to be up to seven times slower and three times more expensive to produce than point-level labels. To address this bottleneck, we introduce the Overhead Wildlife Locator (OWL), a weakly supervised density-estimation framework with three variants: OWL-C, a fully convolutional model for high-throughput screening; OWL-T, a Swin-augmented hybrid for heterogeneous, cluttered scenes; and OWL-D, built on a frozen DINOv3 ViT-H+/16 encoder with a DPT-style fusion decoder. We benchmark all three against POLO, YOLOv11n, and YOLOv11l across five public aerial datasets, from sparse fixed-wing savanna surveys to dense UAV paddock imagery, and against the published HerdNet baseline on its native Delplanque split. OWL-D sets a new state of the art on Delplanque (0.934 AP vs. HerdNet's 0.840) and records the highest AP on four of the five datasets. Performance is regime-dependent: on the extreme-density SheepCounter UAV dataset the hybrid OWL-T leads (0.978 AP) and the convolutional variants attain the lowest counting error, whereas the foundation-based OWL-D degrades, indicating which variant suits which survey type. We further validate operational readiness on the Alaska Department of Fish and Game's 2022 Central Arctic Caribou census: under cross-herd and cross-temporal transfer, OWL-C fine-tuned on the 2017 Porcupine Caribou Herd split attains F1 = 0.965 on a held-out patch test set, with a signed count error of +3.1% aggregated across the released test patches. We release the OWL code, model weights, and the annotated Porcupine Caribou Herd 2017 (PCH) and Central Arctic Herd 2022 (CAH) patches, the first open patch-level datasets for large-scale caribou aerial surveys, at https://github.com/microsoft/MegaDetector-Overhead.
• Abstract（参考訳）: 自動空中野生生物調査は深層学習にますます依存しているが、標準のオブジェクト検出器は境界ボックスアノテーションを必要としており、ポイントレベルのラベルよりも最大7倍遅く、生産コストが3倍も高いと報告されている。 このボトルネックに対処するために,高スループットスクリーニングのための完全畳み込みモデルであるOWL-C,不均一で散在なシーンのためのスウィン強化ハイブリッドであるOWL-T,凍結したDINOv3 ViT-H+/16エンコーダを備えたOWL-Dという,弱教師付き密度推定フレームワークであるOWLを導入する。 われわれはPOLO, YOLOv11n, YOLOv11lの3つのデータを5つの公開航空データセットで比較した。 OWL-Dは、Delplanque(0.934 AP vs. HerdNetの0.840)の新たな最先端をセットし、5つのデータセットのうち4つで最高APを記録している。 極めて密度の高いSheepCounter UAVデータセットでは、ハイブリッドOWL-Tリード(0.978 AP)と畳み込み変種が最も低いカウントエラーを達成した。 アラスカの魚類・ゲーム部門が2022年に行った中央北極カリブーの国勢調査では、2017年のポークリン・カリブー・ハード分割試験でF1 = 0.965が達成され、記録された数誤差は+3.1%となった。 OWLコード、モデルウェイト、注釈付きPorcupine Caribou Herd 2017(PCH)およびCentral Arctic Herd 2022(CAH)パッチは、大規模なカリブー航空調査のための最初のオープンパッチレベルのデータセットで、https://github.com/microsoft/MegaDetector-Overheadでリリースしています。

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)
• Habitat and Land Cover Change Detection in Alpine Protected Areas: A Comparison of AI Architectures [0.0]
  オーストリア・ゲザエウス国立公園の長期アルプス生息地データを用いて, 変化検出に深層学習を適用した。 Clay v1.0はU-Netの41%のマルチクラスの生息地変更に対して51%の全体的な精度を達成するが、どちらもバイナリの変更検出では67%に達する。
  論文  参考訳（メタデータ） (2025-10-29T12:32:28Z)
• Long-tailed Species Recognition in the NACTI Wildlife Dataset [7.060604438610721]
  North America Camera Trap Imagesデータセットは、非常に長い尾を持つクラスの不均衡を示しています。 NACTIテストデータの分割における最良の設定精度は99.40%である。 最大では、すべてのデータセットの分割、キーコード、および完全なネットワーク重みを公開します。
  論文  参考訳（メタデータ） (2025-10-24T17:13:37Z)
• A Comprehensive Evaluation of YOLO-based Deer Detection Performance on Edge Devices [6.486957474966142]
  鹿の侵入による農業の経済的損失は、アメリカで毎年数億ドルに上っていると推定され、伝統的な緩和戦略の不適切さを浮き彫りにした。 このことは、リアルタイムの鹿検出と抑止能力を持つインテリジェントで自律的なソリューションに対する重要なニーズを浮き彫りにしている。 本研究では,シカ検出のための最先端深層学習モデルの総合的評価を行う。
  論文  参考訳（メタデータ） (2025-09-24T17:01:50Z)
• NeRF-Det++: Incorporating Semantic Cues and Perspective-aware Depth Supervision for Indoor Multi-View 3D Detection [72.0098999512727]
  NeRF-Detは、NeRFを用いた屋内マルチビュー3次元検出において、表現学習の強化による優れた性能を実現している。 セマンティックエンハンスメント(セマンティックエンハンスメント)、パースペクティブ・アウェア・サンプリング(パースペクティブ・アウェア・サンプリング)、および順序深度監視を含む3つのソリューションを提案する。 結果として得られたアルゴリズムであるNeRF-Det++は、ScanNetV2とAR KITScenesデータセットで魅力的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-22T11:48:06Z)
• Semi-Supervised and Long-Tailed Object Detection with CascadeMatch [91.86787064083012]
  そこで我々はCascadeMatchと呼ばれる新しい擬似ラベル型検出器を提案する。 我々の検出器は、プログレッシブな信頼しきい値を持つ多段検出ヘッドを備えたカスケードネットワークアーキテクチャを備えている。 CascadeMatchは、長い尾のオブジェクト検出の処理において、既存の最先端の半教師付きアプローチを超越していることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:09:25Z)
• SSDA3D: Semi-supervised Domain Adaptation for 3D Object Detection from Point Cloud [125.9472454212909]
  本稿では,3次元物体検出(SSDA3D)のための半改良型領域適応法を提案する。 SSDA3Dはドメイン間適応ステージとドメイン内一般化ステージを含む。 実験の結果,10%のラベル付きターゲットデータしか持たないSSDA3Dは,100%のターゲットラベルを持つ完全教師付きオラクルモデルを上回ることができることがわかった。
  論文  参考訳（メタデータ） (2022-12-06T09:32:44Z)
• Anchor-free Oriented Proposal Generator for Object Detection [59.54125119453818]
  オブジェクト指向物体検出はリモートセンシング画像解釈において実用的で困難な課題である。 今日では、指向性検出器は主に水平方向の箱を中間体として使用し、それらから指向性のある箱を導出している。 本稿では,ネットワークアーキテクチャから水平ボックス関連操作を放棄する,AOPG(Anchor-free Oriented Proposal Generator)を提案する。
  論文  参考訳（メタデータ） (2021-10-05T10:45:51Z)
• Disentangle Your Dense Object Detector [82.22771433419727]
  深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。 しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。 そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:52:16Z)
• Detection in Crowded Scenes: One Proposal, Multiple Predictions [79.28850977968833]
  混み合ったシーンにおける高過度なインスタンスを検出することを目的とした,提案手法によるオブジェクト検出手法を提案する。 このアプローチの鍵は、各提案が以前の提案ベースのフレームワークの1つではなく、関連したインスタンスのセットを予測できるようにすることです。 我々の検出器は、CrowdHumanデータセットの挑戦に対して4.9%のAPゲインを得ることができ、CityPersonsデータセットでは1.0%$textMR-2$の改善がある。
  論文  参考訳（メタデータ） (2020-03-20T09:48:53Z)

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。