論文の概要: WildBox: A Dataset and Benchmark for Aerial Monocular 3D Detection of African Savanna Wildlife

• arxiv url: http://arxiv.org/abs/2606.21309v1
• Date: Fri, 19 Jun 2026 10:45:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 14:25:22.864538
• Title: WildBox: A Dataset and Benchmark for Aerial Monocular 3D Detection of African Savanna Wildlife
• Title（参考訳）: WildBox:アフリカサバンナ野生生物の空中単分子3D検出のためのデータセットとベンチマーク
• Authors: Vandita Shukla, Kilian Meier, Lucie Laporte-Devylder, Camille Rondeau Saint-Jean, Jenna M. Kline, Blair R. Costelloe, Devis Tuia, Fabio Remondino, Benjamin Risse,
• Abstract要約: ドローンビデオから野生生物を単眼で検出するためのデータセットとベンチマークであるWildBoxを紹介した。 WildBoxは、アフリカの7種のサバンナ種にまたがる237,505の3D境界ボックスアノテーションを6つのベンチマーククラスに分類している。 OVMono3D-LIFTとDetAny3Dの2つのオープンボキャブラリモノクロ3Dアーキテクチャをゼロショット2Dボックスプロンプトと教師付き微調整プロトコルで評価した。
• 参考スコア（独自算出の注目度）: 11.237282373956681
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce WildBox, a dataset and benchmark for monocular 3D detection of wildlife from drone video, comprising 237,505 3D bounding box annotations across seven African savanna species grouped into six benchmark classes. Annotations follow a KITTI/Omni3D-compatible format in a per-segment scale-normalised camera frame, with instance identities maintained across each segment. We evaluate two open-vocabulary monocular 3D architectures, OVMono3D-LIFT and DetAny3D, under zero-shot, ground-truth 2D box prompt, and supervised fine-tuning protocols. Open-vocabulary 2D foundation models provide usable zero-shot wildlife localisation (50.55 AP@50), but zero-shot 3D detection collapses to 0.00 AP across both architectures and every 2D-input condition tested, including ground-truth 2D box prompts, thus isolating the failure to the 3D stage. Fine-tuning on WildBox recovers performance to 8.68 +/- 0.47 AP-BEV@0.50 and 13.17 +/- 0.69 AP3D macro. Depth contributes 84% of normalised Hausdorff distance after fine-tuning and over 99% in zero-shot, identifying monocular aerial depth as the dominant open problem in this regime. A coarse-to-fine curriculum, i.e. pretraining on a merged zebra class before fine-tuning on the Grevy's/plains split, improves macro 3D performance with less total compute, with the largest gains on the two zebra subclasses. WildBox is released with video-level splits, evaluation code, and baseline checkpoints to enable progress in 3D wildlife perception from drone video.
• Abstract（参考訳）: WildBoxは、ドローンビデオから野生生物を単眼で検出するためのデータセットとベンチマークであり、アフリカの7種のサバンナ種にまたがる237,505個の3D境界ボックスアノテーションを6つのベンチマーククラスに分類する。 アノテーションはKITTI/Omni3D互換のフォーマットに従っており、セグメントごとにインスタンスのアイデンティティが維持されている。 OVMono3D-LIFTとDetAny3Dの2つのオープンボキャブラリモノクロ3Dアーキテクチャをゼロショット2Dボックスプロンプトと教師付き微調整プロトコルで評価した。 オープンボキャブラリの2Dファンデーションモデルは、使用可能なゼロショット野生生物のローカライズ(50.55 AP@50)を提供するが、ゼロショットの3D検出は両方のアーキテクチャで0.00 APに崩壊する。 WildBoxの微調整は8.68 +/- 0.47 AP-BEV@0.50と13.17 +/- 0.69 AP3Dマクロに回復する。 深さは微調整後の正規化ハウスドルフ距離の84%に寄与し、ゼロショットでは99%以上を占めた。 Grevy/Plainsの分割を微調整する前に、統合されたゼブラクラスで事前訓練する粗大なカリキュラムは、総計算量が減り、マクロ3Dのパフォーマンスが向上し、2つのゼブラサブクラスで最大の利益を得る。 WildBoxは、ビデオレベルの分割、評価コード、ベースラインチェックポイントを備え、ドローンビデオからの3D野生生物の認識の進歩を可能にする。

関連論文リスト

• WildLIFT: Lifting monocular drone video to 3D for species-agnostic wildlife monitoring [2.8622185759617906]
  モノクラードローンビデオから3Dシーンの幾何学とオープン語彙の2Dインスタンスセグメンテーションを統合するフレームワークであるWildLIFTを紹介する。 2581年4つの大型哺乳類の6,700点以上の3D検出を手作業で行うことにより,この枠組みを検証した。
  論文  参考訳（メタデータ） (2026-04-27T17:29:22Z)
• WildDet3D: Scaling Promptable 3D Detection in the Wild [67.34808264532982]
  テキスト,ポイント,ボックスプロンプトを受信し,推定時に補助的な深度信号を組み込むことができる統合幾何認識アーキテクチャであるWildDet3Dを導入する。 これまでで最大のオープンな3D検出データセットであるWildDet3D-Dataは、既存の2Dアノテーションから候補となる3Dボックスを生成し、人間による検証のみを保持することで構築されている。
  論文  参考訳（メタデータ） (2026-04-09T16:00:10Z)
• LocateAnything3D: Vision-Language 3D Detection with Chain-of-Sight [105.9472902251177]
  次世代の予測問題として3D検出を行うVLMネイティブレシピを提案する。 このモデルでは, 49.89 AP_3Dの精度を+15.51倍に向上した。
  論文  参考訳（メタデータ） (2025-11-25T18:59:45Z)
• Zoo3D: Zero-Shot 3D Object Detection at Scene Level [7.756226313216256]
  Zoo3Dは、最初のトレーニング不要な3Dオブジェクト検出フレームワークである。 本手法は,2次元マスクのグラフクラスタリングにより3次元境界ボックスを構成する。 Zoo3Dをポイントクラウドを越えて拡張して,ポーズやアンポーズの画像を直接処理します。
  論文  参考訳（メタデータ） (2025-11-25T12:29:06Z)
• SpatialTrackerV2: 3D Point Tracking Made Easy [73.0350898700048]
  SpaceTrackerV2はモノクロビデオのフィードフォワード3Dポイントトラッキング手法である。 これは、世界空間の3Dモーションをシーン幾何学、カメラエゴモーション、ピクセルワイドオブジェクトモーションに分解する。 このような異種データから幾何学と運動を共同で学習することで、SpatialTrackerV2は既存の3Dトラッキング方法よりも30%優れています。
  論文  参考訳（メタデータ） (2025-07-16T17:59:03Z)
• 3D-MuPPET: 3D Multi-Pigeon Pose Estimation and Tracking [14.52333427647304]
  複数のカメラビューを用いて対話的な速度で最大10羽のハトの3Dポーズを推定・追跡するフレームワークである3D-MuPPETを提案する。 まず第1フレームのグローバルIDに2D検出を動的にマッチングし、次に2Dトラッカーを使用して、その後のフレームにおけるビュー間のIDを維持する。 また、3D-MuPPETは自然環境からのアノテーションを伴わずに屋外でも機能することを示した。
  論文  参考訳（メタデータ） (2023-08-29T14:02:27Z)
• Common Pets in 3D: Dynamic New-View Synthesis of Real-Life Deformable Categories [80.30216777363057]
  コモンペットを3Dで紹介する(CoP3D)。 テスト時には、目に見えないオブジェクトの少数のビデオフレームが与えられたとき、Tracker-NeRFはその3Dポイントの軌跡を予測し、新しいビューを生成する。 CoP3Dの結果は、既存のベースラインよりも、厳密でない新規ビュー合成性能が著しく向上した。
  論文  参考訳（メタデータ） (2022-11-07T22:42:42Z)
• FGR: Frustum-Aware Geometric Reasoning for Weakly Supervised 3D Vehicle Detection [81.79171905308827]
  3Dアノテーションを使わずに点雲中の車両を検出するためのフラストラム対応幾何推論(FGR)を提案する。 本手法は粗い3次元セグメンテーションと3次元バウンディングボックス推定の2段階からなる。 2Dバウンディングボックスとスパースポイントクラウドだけで、3D空間内のオブジェクトを正確に検出できます。
  論文  参考訳（メタデータ） (2021-05-17T07:29:55Z)
• ZoomNet: Part-Aware Adaptive Zooming Neural Network for 3D Object Detection [69.68263074432224]
  ステレオ画像に基づく3D検出のためのZoomNetという新しいフレームワークを提案する。 ZoomNetのパイプラインは、通常の2Dオブジェクト検出モデルから始まり、左右のバウンディングボックスのペアを取得するために使用される。 さらに,RGB画像のテクスチャキューを多用し,より正確な異質度推定を行うため,適応ズームという概念的に真直ぐなモジュールを導入する。
  論文  参考訳（メタデータ） (2020-03-01T17:18:08Z)

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。