論文の概要: WildProp: Visual Estimation of Wildlife Body Proportions at Scale

• arxiv url: http://arxiv.org/abs/2606.31125v1
• Date: Tue, 30 Jun 2026 04:38:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.073796
• Title: WildProp: Visual Estimation of Wildlife Body Proportions at Scale
• Title（参考訳）: WildProp: 大規模における野生生物の身体分布の視覚的推定
• Abstract要約: 大規模で制約のない画像リポジトリから直接、野生生物の体比分布を推定する、トレーニング不要のフレームワークWildPropを提示する。 本研究では,ロバストアグリゲーションがキーポイントを緩和し,ポーズノイズを緩和する一方で,ポーズアウェア検索が安定した推定に重要であることを示す。 以上の結果から,ウェブスケール画像の2次元対応を慎重に調整することで,比較およびサブグループ解析に拡張性のある形態素プロキシを提供することが可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 17.380434618414988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Population-level morphometric measurements underpin ecological and evolutionary studies but traditionally require controlled imaging or physical specimen handling, limiting scalability. We present WildProp, a training-free framework that estimates wildlife body proportion distributions directly from large-scale, unconstrained image repositories. We cast morphometric estimation as a retrieval-driven correspondence problem: given a single user-annotated canonical image, WildProp performs pose-aware retrieval using foundation model features, transfers part endpoints via dense patch-level matching, filters predictions using geometric consistency, and aggregates measurements across retrieved images to estimate population-level ratio distributions. Unlike supervised keypoint pipelines, our approach adapts to arbitrary species and user-defined parts without per-species training. Evaluations on three large morphometric datasets spanning birds and amphibians show median relative errors of 10-20%. We further highlight the broad applicability of our approach through a number of case studies measuring various proportions across diverse taxa, including birds, frogs, insects, and flowers. Ablations demonstrate that pose-aware retrieval is critical for stable estimation, while robust aggregation mitigates keypoint and pose noise. Our results indicate that carefully curated 2D correspondences over web-scale imagery can provide scalable morphometric proxies for comparative and subgroup analyses across taxa, geography, and seasonality.
• Abstract（参考訳）: 人口レベルの形態計測は生態学や進化学の研究を支えているが、伝統的には画像や検体処理の制御が必要であり、スケーラビリティを制限している。 大規模で制約のない画像リポジトリから直接、野生生物の体比分布を推定する、トレーニング不要のフレームワークWildPropを提示する。 そこで,WildPropは,1つのユーザアノテーション付き標準画像に対して,基本モデル特徴を用いたポーズ認識検索,高密度パッチレベルのマッチングによる部分エンドポイントの転送,幾何整合性によるフィルタ予測,検索した画像間でのアグリゲーションによる人口レベルの比分布の推定を行う。 教師付きキーポイントパイプラインとは異なり、我々のアプローチは種ごとのトレーニングなしで任意の種やユーザ定義の部分に適応する。 鳥類と両生類にまたがる3つの大きな形態計測データセットによる評価は、平均的な相対誤差が10～20%であった。 さらに, 鳥類, カエル, 昆虫, 花など多種多様な分類群にまたがって, 様々な割合を計測するケーススタディを通じて, アプローチの幅広い適用性を強調した。 アブレーションは、ロバストアグリゲーションがキーポイントとポーズノイズを緩和する一方で、ポーズアウェア検索が安定した推定に重要であることを示す。 以上の結果から,ウェブスケール画像の2次元対応を慎重に調整することで,分類,地理,季節性にまたがる比較・サブグループ分析にスケーラブルな形態計測プロキシを提供することが可能であることが示唆された。

関連論文リスト

• Computer vision-based estimation of invertebrate biomass [1.9233638471548928]
  本研究は, 試料の撮影以外の手作業を必要としないドライマッサージのための2つの手法を提案する。 予測器として面積と沈み込み速度を用いることを提案する。 本手法は, 複雑で視覚的に多様な標本形態であっても, 標本乾物量を推定できることを示す。
  論文  参考訳（メタデータ） (2026-03-06T15:12:40Z)
• DiffPose-Animal: A Language-Conditioned Diffusion Framework for Animal Pose Estimation [1.1708207558288541]
  DiffPose-Animalは,トップダウン動物ポーズ推定のための新しい拡散型フレームワークである。 従来の熱マップ回帰法とは異なり、DiffPose-Animal は拡散モデルの生成的枠組みの下でデノナイジング過程として推定する。
  論文  参考訳（メタデータ） (2025-08-12T09:37:09Z)
• SRPose: Two-view Relative Pose Estimation with Sparse Keypoints [51.49105161103385]
  SRPoseは、カメラ・トゥ・ワールドおよびオブジェクト・トゥ・カメラシナリオにおける2ビュー相対ポーズ推定のためのスパースキーポイントベースのフレームワークである。 精度と速度の点で最先端の手法と比較して、競争力や優れた性能を達成する。 さまざまな画像サイズやカメラ固有の機能に対して堅牢であり、低コンピューティングリソースでデプロイすることができる。
  論文  参考訳（メタデータ） (2024-07-11T05:46:35Z)
• PoseBench: Benchmarking the Robustness of Pose Estimation Models under Corruptions [57.871692507044344]
  ポース推定は、単眼画像を用いて人や動物の解剖学的キーポイントを正確に同定することを目的としている。 現在のモデルは一般的に、クリーンなデータに基づいてトレーニングされ、テストされる。 実世界の腐敗に対するポーズ推定モデルの堅牢性を評価するためのベンチマークであるPoseBenchを紹介する。
  論文  参考訳（メタデータ） (2024-06-20T14:40:17Z)
• Towards Robust and Expressive Whole-body Human Pose and Shape Estimation [51.457517178632756]
  全体のポーズと形状の推定は、単眼画像から人体全体の異なる振る舞いを共同で予測することを目的としている。 既存の手法では、既存のシナリオの複雑さの下で、しばしば劣化したパフォーマンスを示す。 全身のポーズと形状推定の堅牢性を高める新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-12-14T08:17:42Z)
• Geometric Data Augmentations to Mitigate Distribution Shifts in Pollen Classification from Microscopic Images [4.545340728210854]
  我々は、幾何学的特徴が正確な花粉の同定に非常に重要であるというドメイン知識を活用している。 本稿では,列車におけるモデル性能とテストデータセットとの精度ギャップを著しく狭めるために,新しい2つの幾何画像拡張手法を提案する。
  論文  参考訳（メタデータ） (2023-11-18T10:35:18Z)
• Of Mice and Pose: 2D Mouse Pose Estimation from Unlabelled Data and Synthetic Prior [0.7499722271664145]
  そこで本稿では, 合成合成経験的ポーズを用いた2次元マウスのポーズ推定手法を提案する。 本手法はマウスの四肢構造に適応し,合成3次元マウスモデルから2次元ポーズの経験的先行を生成できる。 新しいマウスビデオデータセットの実験では,ポーズ予測を手作業で得られた真実と比較することにより,提案手法の性能を評価する。
  論文  参考訳（メタデータ） (2023-07-25T09:31:55Z)
• Prawn Morphometrics and Weight Estimation from Images using Deep Learning for Landmark Localization [2.778518997767646]
  我々は,黒トラエビ(Penaeus monodon)をモデル甲殻類として,体重推定と形態計測を自動化するための新しい手法を開発した。 形態計測解析では,検出されたランドマークを用いて5つの重要なエビ形質を抽出した。 実験の結果,新しいDL手法は,精度,堅牢性,効率の点で,既存のDL手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-07-15T07:05:06Z)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)
• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2022-03-29T07:14:58Z)
• Learning Dynamics via Graph Neural Networks for Human Pose Estimation and Tracking [98.91894395941766]
  ポーズ検出とは無関係なポーズダイナミクスを学習する新しいオンライン手法を提案する。 具体的には、空間的・時間的情報と視覚的情報の両方を明示的に考慮したグラフニューラルネットワーク(GNN)を通して、このダイナミクスの予測を導出する。 PoseTrack 2017とPoseTrack 2018データセットの実験では、提案手法が人間のポーズ推定とトラッキングタスクの両方において、技術の現状よりも優れた結果が得られることを示した。
  論文  参考訳（メタデータ） (2021-06-07T16:36:50Z)

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。