論文の概要: Lightweight Image Classification of Raptor Species for Edge Devices: Rare-Species Dataset Expansion via Video Frame Extraction, Knowledge Distillation, and TensorRT Deployment

• arxiv url: http://arxiv.org/abs/2607.26238v1
• Date: Tue, 28 Jul 2026 20:19:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.465877
• Title: Lightweight Image Classification of Raptor Species for Edge Devices: Rare-Species Dataset Expansion via Video Frame Extraction, Knowledge Distillation, and TensorRT Deployment
• Title（参考訳）: エッジデバイス用Raptor種の軽量画像分類:ビデオフレーム抽出、知識蒸留、TensorRT展開によるRre-Speciesデータセット拡張
• Abstract要約: 風車衝突防止におけるリアルタイムエッジ展開のための軽量ラプター種分類について検討する。 教師としてDINOv2-L(304Mパラメータ)を用いて,MobileNetV4, ViT-Small, EfficientNet-B0の3名の軽量学生を蒸留した。 近縁種間の混同を減らすため,データセットを2,050の画像に拡張した。 5種比較試験では, 蒸留(CEのみ)もDINOv2-LからDINOv3-Lへの変更も明確なアンサンブルレベルの改善は得られなかった。
• 参考スコア（独自算出の注目度）: 0.060917028769172786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate lightweight raptor-species classification for real-time edge deployment in wind-turbine collision mitigation. Using DINOv2-L (304M parameters) as a teacher, we distilled three lightweight students (MobileNetV4, ViT-Small, and EfficientNet-B0). To reduce confusion between closely related species, we expanded the dataset to 12,519 images, including an increase in Steller's Sea Eagle images from 463 to 2,050 via video-frame extraction. Under a group split that separates samples at the video- and source-image level to mitigate source leakage at that granularity, the three-student ensemble achieved a macro recall of 0.935 +/- 0.004 over five distillation seeds (0.955 on a conventional image-level split, retaining 97.5% of the teacher's macro recall) with roughly one-eighth as many parameters. On a subset of 1,258 images disjoint from the former training images, White-tailed Eagle recall improved by up to 38.6 percentage points, while the rate at which it was misclassified as the Steller's Sea Eagle decreased from 61% to 15% of errors. TensorRT FP16 deployment of EfficientNet-B0 on an NVIDIA Jetson Orin Nano achieved 3.19 ms/image including host-device transfer (313 images/s), with 99.95% argmax agreement with FP32. In five-seed controlled comparisons, neither distillation (versus CE-only) nor the change from a DINOv2-L to a DINOv3-L teacher yielded a clear ensemble-level improvement; the primary gains stem from the dataset expansion and teacher re-fine-tuning.
• Abstract（参考訳）: 風車衝突防止におけるリアルタイムエッジ展開のための軽量ラプター種分類について検討する。 教師としてDINOv2-L(304Mパラメータ)を用いて,MobileNetV4, ViT-Small, EfficientNet-B0の3名の軽量学生を蒸留した。 近縁種間の混同を減らすため、データセットを12,519枚に拡大し、ビデオフレーム抽出によりステラーのシーイーグル画像が433枚から2,050枚に増加した。 ビデオおよびソースイメージレベルでサンプルを分離し、その粒度のソースリークを軽減するグループ分割の下で、3つの学生アンサンブルは5つの蒸留種子(従来のイメージレベルでは0.955で、教師のマクロリコールの97.5%を保持)に対して0.935 +/-0.004のマクロリコールを達成した。 トレーニング画像から1,258枚の画像が切り離され、ホワイトテールのイーグルリコールは最大38.6ポイント改善され、ステラーのシーイーグルが61%から15%に低下した。 TensorRT FP16によるNVIDIA Jetson Orin Nano上のEfficientNet-B0のデプロイは、ホストデバイス転送(313イメージ/s)を含む3.19ms/imageを達成した。 5種比較では, 蒸留(CEのみ)も DINOv2-L から DINOv3-L への変更も明確なアンサンブルレベルの改善を得られなかった。

関連論文リスト

• Federated Binary Gating with Server-Side Vision-Language Inference for Surveillance Anomaly Classification [0.24629531282150874]
  サーバ側ゼロショットVLM推論とCNNゲートを組み合わせたハイブリッド2段アーキテクチャを提案する。 我々は,UCF-Crimeを5つの粗いメタクラスに分類し,実際の3ノードヘテロジニアス展開においてフェデレーションステージを実装した。
  論文  参考訳（メタデータ） (2026-09-07T12:14:57Z)
• Low Cost Two-Stage Fabric Defect Detection at the Edge [0.0]
  衣料品産業におけるファブリック検査は主に手作業で行われており、3.45と商業用ヴィジュアルシステムは、ほとんどの中小製粉所以上の価格で販売されている。 4つのニットファブリック欠陥クラスのためにそのようなカスケードを構築し、FP16でNVIDIA Jetson Nano上でエンドツーエンドにデプロイする。 データパスを制御せずにカスケードのスピードアップを計測し、自律的な受け入れよりもAIによるトリアージとして位置付ける。
  論文  参考訳（メタデータ） (2026-08-12T19:49:00Z)
• Eddy-VL 1.9B: Structural Pruning and Layered Distillation for Edge-Deployable Multimodal Embedding [1.2132884030603328]
  我々は,Qwen3-VL-Embedding-2B上に構築された圧縮マルチモーダル埋め込みモデルであるEddy-VL 1.9Bを紹介した。 Eddy-VLは、クラウドAPIが利用できない、低レイテンシが不可欠である、空輸の法医学的および調査的な設定をターゲットにしている。 リリースされたモデルは1,926,188,032 のパラメータ (3.85 GB bf16) を含み、2.13B の教師モデルよりも約9.5%少ないパラメータを表現している。
  論文  参考訳（メタデータ） (2026-07-15T04:36:19Z)
• Multi-Teacher Contrastive Distillation for Edge-Efficient Pathology Foundation Models [1.9573380763700714]
  複数のPFMから小型エッジ指向エンコーダに冷凍タイル埋め込みを蒸留する事前学習フレームワーク MuCoDi を提案する。 11.8KのWSIから14.3MのTCGAタイルをプレトレーニングし、23の下流分類タスクで凍結エンコーダの評価を行った。
  論文  参考訳（メタデータ） (2026-07-06T18:14:37Z)
• Single-Channel Tissue Segmentation via Cross-Modal Distillation from Foundation Models [0.0]
  多重蛍光顕微鏡は、核(DAPI)と膜(E-カドヘリン)を含む相補的なチャネルを提供することで組織セグメンテーションを改善する 本研究では,核チャネルのみで動作する軽量の学生に,凍結基礎モデル教師による多重入力処理から意味情報を伝達するクロスモーダルな知識蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-30T23:34:49Z)
• Lightweight Distillation of SAM 3 and DINOv3 for Edge-Deployable Individual-Level Livestock Monitoring and Longitudinal Visual Analytics [0.3609538870261841]
  個別レベルの家畜モニタリングのための基礎モデルパイプラインは、精度の高い家畜栽培の精度を高める。 しかし、GPUメモリの予算は、コモディティエッジアクセラレーターのエンベロープを超えている。 このギャップを埋めるため、SAM 3のバックボーンは40.66Mスケールのマルチスケールの学生に蒸留される。 このパイプラインは9級豚の行動分類において97.34%の精度で91.67%のマクロF1を達成している。
  論文  参考訳（メタデータ） (2026-04-29T19:25:22Z)
• LC4-DViT: Land-cover Creation for Land-cover Classification with Deformable Vision Transformer [14.684808109822386]
  LC4-DViTは、生成データ生成と変形対応のVision Transformerを組み合わせたフレームワークである。 テキスト誘導拡散パイプラインは、GPT-4o生成シーン記述を用いて高忠実度トレーニング画像を合成する。 DViTは、DCNv4変形可能な畳み込みバックボーンとVision Transformerエンコーダを結合して、微細な幾何学とグローバルなコンテキストを共同でキャプチャする。
  論文  参考訳（メタデータ） (2025-11-27T23:56:35Z)
• TinyCLIP: CLIP Distillation via Affinity Mimicking and Weight Inheritance [97.01406871579525]
  大規模言語画像事前学習モデルのための新しいクロスモーダル蒸留法TinyCLIPを提案する。 また、TinyCLIPは、トレーニング済みのCLIP ViT-B/32のサイズを50%削減し、ゼロショット性能を同等に維持できることを示した。 YFCC-15MでトレーニングしたTinyCLIP ViT-8M/16は、ImageNetで41.1%という印象的なゼロショットトップ1の精度を達成した。
  論文  参考訳（メタデータ） (2023-09-21T17:59:53Z)
• Patch-Level Contrasting without Patch Correspondence for Accurate and Dense Contrastive Representation Learning [79.43940012723539]
  ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。 提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-06-23T07:38:09Z)
• Sigmoid Loss for Language Image Pre-Training [93.91385557929604]
  本稿では,Language-Image Pre-Training (SigLIP) のための単純なペアワイズ・シグモイド・ロスを提案する。 シグモイド損失は画像とテキストのペアのみに作用し、正規化のためにペアの類似点のグローバルなビューを必要としない。 Locked-image Tuningと4つのTPUv4チップの組み合わせで、84.5%のImageNetゼロショット精度を2日間で達成するSigLiTモデルを訓練する。
  論文  参考訳（メタデータ） (2023-03-27T15:53:01Z)
• EATFormer: Improving Vision Transformer Inspired by Evolutionary Algorithm [111.17100512647619]
  本稿では、実証された実用的な進化的アルゴリズム(EA)と類似したビジョントランスフォーマーの合理性を説明する。 本稿では,EA ベースのトランス (EAT) ブロックのみを含む新しいピラミッド EATFormer バックボーンを提案する。 画像分類,下流タスク,説明実験に関する大規模かつ定量的な実験は,我々のアプローチの有効性と優位性を示すものである。
  論文  参考訳（メタデータ） (2022-06-19T04:49:35Z)
• MEAL V2: Boosting Vanilla ResNet-50 to 80%+ Top-1 Accuracy on ImageNet without Tricks [57.69809561405253]
  我々は、ImageNet上でバニラResNet-50を80%以上のTop-1精度に向上できるフレームワークを、トリックなしで導入する。 本手法は,バニラResNet-50を用いた224x224の1つの作物サイズを用いて,ImageNetの80.67%のトップ1精度を得る。 我々のフレームワークは常に69.76%から73.19%に改善されている。
  論文  参考訳（メタデータ） (2020-09-17T17:59:33Z)
• Spatiotemporal Contrastive Video Representation Learning [87.56145031149869]
  ラベルのないビデオから視覚的表現を学習するための,自己指導型コントラスト映像表現学習(CVRL)法を提案する。 我々の表現は、コントラスト時間的損失を用いて学習され、同じ短いビデオから2つの強化されたクリップが埋め込み空間にまとめられる。 本研究では,ビデオ自己教師型学習におけるデータ向上の要因について検討し,空間的情報と時間的情報の両方が重要であることを明らかにする。
  論文  参考訳（メタデータ） (2020-08-09T19:58:45Z)

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。