論文の概要: How many labels do you need? A decision framework for cross-habitat marine species recognition

• arxiv url: http://arxiv.org/abs/2607.02559v1
• Date: Sun, 28 Jun 2026 03:06:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.320972
• Title: How many labels do you need? A decision framework for cross-habitat marine species recognition
• Title（参考訳）: ラベルはいくつ必要か? 海洋生物種を横断的に認識するための決定枠組み
• Authors: Alzayat Saleh, Mostafa Rahimi Azghadi,
• Abstract要約: 生息地間で視覚システムを転送する際のラベル付け作業と認識精度のトレードオフを定量化する決定フレームワーク。 我々は3つのプロトコルで4つの認識モデル(DINOv2, CLIP, ResNet-50, EfficientNet-B4)を評価した。 1種あたりのラベル付き画像は10-20枚もなく、新しい場所で信頼性の高い認識をデプロイするのに十分であり、アノテーションの努力をおよそ1桁削減した。
• 参考スコア（独自算出の注目度）: 7.888806806417502
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated image recognition is increasingly used to scale ecological monitoring beyond manual annotation, yet ecologists lack evidence-based guidance on how much labelling effort reliable deployment at new sites requires. We present a decision framework quantifying the trade-off between labelling effort and recognition accuracy when transferring vision systems across marine habitats. The benchmark spans five datasets, three oceans, and three taxonomic groups (fish, corals, invertebrates), from tropical reefs in the Great Barrier Reef and French Polynesia to a temperate Danish fjord. We evaluated four recognition models (DINOv2, CLIP, ResNet-50, EfficientNet-B4) under four adaptation strategies (linear probing, LoRA, Visual Prompt Tuning, full fine-tuning) across three protocols: within-habitat transfer across 20 reef sites (240 runs), cross-dataset geographic transfer along a difficulty gradient (40 runs), and few-shot adaptation curves with 0-100 labelled samples per class (648 runs). Frozen self-supervised foundation features (DINOv2 + linear classifier, 1,538 trainable parameters) generalised to unseen reef sites at least as well as fully fine-tuned convolutional baselines four orders of magnitude larger; they learned species-diagnostic, habitat-invariant representations, whereas baselines encoded habitat-specific shortcuts that fail at new sites. As few as 10-20 labelled images per species sufficed to deploy reliable recognition at a new site, cutting annotation effort by roughly an order of magnitude. Solution. Programmes expanding to new sites can deploy reliable recognition by pairing a frozen, open foundation model (DINOv2) with a simple linear classifier and annotating only 10-20 images per species - roughly 1-4 hours per site. The framework lets programmes budget labelling effort against expected accuracy across sites, ecosystems, and platforms.
• Abstract（参考訳）: 自動画像認識は、手動のアノテーションを超えて生態モニタリングをスケールするためにますます使われているが、生態学者は、新しいサイトでのラベル付けがどれだけ信頼できるデプロイを必要とするかに関する証拠に基づくガイダンスを欠いている。 本稿では,海洋環境を横断する視覚系を伝達する際のラベル付け作業と認識精度のトレードオフを定量化する枠組みを提案する。 このベンチマークは5つのデータセット、3つの海、3つの分類群(魚、サンゴ、無脊椎動物)で、グレートバリアリーフやフランス領ポリネシアの熱帯のサンゴ礁から、温帯デンマークのフィヨルドまで及んでいる。 我々は,20のリーフサイト(240ラン),困難勾配(40ラン),0-100のラベル付きサンプル(648ラン),4つの適応戦略(線形探索,LoRA,Visual Prompt Tuning,フルファインチューニング)で,認識モデル(DINOv2,CLIP,ResNet-50,EfficientNet-B4)を評価した。 凍結自監督基盤の特徴 (DINOv2 + linear classifier, 1,538 の訓練可能なパラメータ) は、少なくともサンゴ礁の場所を識別できず、完全に調整された畳み込みの基盤線が4桁大きくなり、種に依存しない、生息地に依存しない表現を学習したのに対して、ベースラインは生息地固有のショートカットをコードし、新しい場所では失敗する。 1種あたりのラベル付き画像は10-20枚もなく、新しい場所で信頼性の高い認識をデプロイするのに十分であり、アノテーションの努力をおよそ1桁削減した。 解決策。 新しいサイトに拡張されたプログラムは、凍結したオープンファンデーションモデル(DINOv2)を単純な線形分類器と組み合わせて、各種につき10～20の画像に注釈を付けることで、信頼性の高い認識をデプロイすることができる。 このフレームワークは、サイト、エコシステム、プラットフォーム間で予想される精度に対して予算のラベル付けをプログラムできる。

関連論文リスト

• A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation [78.66324246922831]
  本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。 このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。 The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
  論文  参考訳（メタデータ） (2026-05-30T11:20:29Z)
• Label-efficient underwater species classification with semi-supervised learning on frozen foundation model embeddings [0.0]
  凍結埋め込みの自己トレーニングは、ラベル付きデータセット全体に基づいてトレーニングされた完全に教師されたConvNeXtベースラインにギャップの大部分を埋める。 私たちのアプローチでは、トレーニングもドメイン固有のデータエンジニアリングも、水中適応モデルも必要ありません。
  論文  参考訳（メタデータ） (2026-03-31T23:27:09Z)
• UKANFormer: Noise-Robust Semantic Segmentation for Coral Reef Mapping via a Kolmogorov-Arnold Network-Transformer Hybrid [4.147037463809748]
  本稿では,ノイズ管理下での高精度マッピングを実現するためのセマンティックセグメンテーションモデルを提案する。 UKANFormerはデコーダにGlobal-Local Transformer(GL-Trans)ブロックを組み込んでおり、グローバルなセマンティック構造とローカル境界の詳細の両方を抽出することができる。 実験では、UKANFormerは67.00%のサンゴ級IoUと83.98%のピクセル精度を達成し、同じノイズラベル設定で従来のベースラインを上回った。
  論文  参考訳（メタデータ） (2025-10-19T06:51:03Z)
• Multi-label classification for multi-temporal, multi-spatial coral reef condition monitoring using vision foundation model with adapter learning [20.74182654369854]
  本研究は,DINOv2ビジョン基礎モデルとLoRAファインチューニング手法を組み合わせたアプローチを提案する。 実験の結果, DINOv2-LoRAモデルの方が64.77%の精度で, 従来のモデルでは60.34%であったのに対し, 一致率は64.77%であった。
  論文  参考訳（メタデータ） (2025-03-29T08:32:44Z)
• Feedforward Few-shot Species Range Estimation [61.60698161072356]
  特定の種が地球上でどこで発見できるかを知ることは、生態学の研究と保全に不可欠である。 正確な射程推定は 知られている全ての種の 比較的小さな割合でしか 利用できない 我々は、限られたデータから種の範囲を正確に推定するという課題に対処するために、数発の種範囲推定の新しいアプローチを概説する。
  論文  参考訳（メタデータ） (2025-02-20T19:13:29Z)
• Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
  ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。 従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。 本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
  論文  参考訳（メタデータ） (2023-06-05T03:36:01Z)
• SEA: Bridging the Gap Between One- and Two-stage Detector Distillation via SEmantic-aware Alignment [76.80165589520385]
  細粒度情報を抽象化する性質から,SEA (SEmantic-Aware Alignment) 蒸留法を命名した。 1段検出器と2段検出器の両方において、挑戦的な物体検出タスクにおいて、最先端の新たな結果が得られる。
  論文  参考訳（メタデータ） (2022-03-02T04:24:05Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。