Fugu-MT 論文翻訳(概要): Deep learning-based hierarchical insect classification using camera trap imagery

論文の概要: Deep learning-based hierarchical insect classification using camera trap imagery

arxiv url: http://arxiv.org/abs/2607.28005v1
Date: Thu, 30 Jul 2026 10:51:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-31 21:37:00.51613
Title: Deep learning-based hierarchical insect classification using camera trap imagery
Title（参考訳）: カメラトラップ画像を用いた深層学習に基づく階層型昆虫分類
Authors: Zaki Mahfoud, Juan A. Chiavassa, Simon Walther, Florian Haselbeck, Ehsan Yaghoubi,
Abstract要約: 昆虫の数が減少すると、信頼性の高い生物多様性モニタリングがますます急務になる。昆虫の生物多様性の監視は、標準化されたデータの欠如によって妨げられています。深層学習に基づく画像分類器は、昆虫の生物多様性モニタリングを変換しスケールする可能性がある。
参考スコア（独自算出の注目度）: 1.2282296429222195
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Declining insect populations make reliable biodiversity monitoring increasingly urgent, yet monitoring of insect biodiversity is hampered by a lack of standardised data and by costly and time-consuming manual identification by expert entomologists. Deep learning-based image classifiers, processing data from automated non-lethal camera traps, have the potential to transform and scale insect biodiversity monitoring. However, challenges remain in acquiring expert-annotated datasets, developing model architectures that generalise well across diverse taxonomic levels and training models on highly imbalanced data. Hierarchical data also benefits from designing models that default to higher-confidence, coarser-level predictions, when uncertain about finer taxonomic levels. In this paper we address these challenges with a deep learning-based hierarchical classification model. First, we present a manually curated, long-tailed dataset of around one million images of insects, extracted from 1,801 camera-trap video recordings and annotated with a five-level, 34-class hierarchy. Further, we adapt a hierarchical classification model architecture to a five-level variable-depth hierarchy, with class-balanced weighting. Our model improves on non-hierarchical classifiers by leveraging biological taxonomy to extract granularity-specific visual features and makes hierarchy-consistent predictions to the deepest taxonomic level that meets a confidence threshold (T = 0.6). Our model achieved a per-level accuracy of 80-99% on test data, across five levels of hierarchy. Furthermore ...
Abstract（参考訳）: 昆虫集団の減少は、信頼性の高い生物多様性モニタリングをますます緊急に行うが、昆虫の生物多様性の監視は、標準化されたデータの欠如と、専門家の昆虫学者によるコストと時間を要する手作業による識別によって妨げられる。ディープラーニングベースの画像分類器は、自動化された非致命的なカメラトラップからのデータを処理し、昆虫の生物多様性監視を変換しスケールする可能性がある。しかし、専門家アノテートされたデータセットの取得、多様な分類学レベルにまたがるモデルを一般化するモデルアーキテクチャの開発、高度に不均衡なデータに基づくトレーニングモデルの開発には、依然として課題が残っている。階層的なデータはまた、より詳細な分類レベルについて不確実な場合には、信頼性の高い粗いレベルの予測にデフォルトとなるモデルの設計の恩恵を受ける。本稿では,これらの課題を,ディープラーニングに基づく階層型分類モデルを用いて解決する。まず,1,801枚のカメラトラップ映像から抽出した約100万枚の昆虫の画像を手作業で収集し,34階層の5レベル階層で注釈付けした。さらに,階層型分類モデルアーキテクチャを,クラスバランス重み付けによる5レベル可変深度階層に適応させる。本モデルでは, 生物分類学を応用して, 粒度特異的な視覚特徴を抽出し, 信頼性しきい値(T = 0.6)を満たす最深部分類学レベルまで階層一貫性のある予測を行う。モデルでは,5段階の階層で,テストデータに対して80～99%の精度を達成した。さらに...。

関連論文リスト

Beyond Flat Labels: Level-Restricted Contrastive Learning for Hierarchical Fine-Grained Vision Classification [50.20892407648858]
マルチモーダルコントラスト学習は、画像とテキストカテゴリを整列させることで、ゼロショットの視覚的分類を可能にした。既存の手法は、しばしば分類学レベルで矛盾する予測を生成する。本稿では,各分類レベルが適切な最適化を受けることを保証するグループバランス設計を提案する。我々は、BioCLIPに基づいてTreeOfLife-10Mでモデルをトレーニングし、複数の階層分類ベンチマークで評価する。
論文参考訳（メタデータ） (2026-06-20T02:12:05Z)
Learning Consistent Taxonomic Classification through Hierarchical Reasoning [61.372270953201955]
分類学分類における葉レベル精度と階層的整合性を改善するための2段階階層型推論フレームワークを提案する。我々のフレームワークはQwen2.5-VL-7Bモデルで実装され、葉レベルと階層的整合性の両方で元の72Bを10%以上上回っている。
論文参考訳（メタデータ） (2026-01-21T03:00:00Z)
Hierarchical Deep Learning for Diatom Image Classification: A Multi-Level Taxonomic Approach [0.0]
階層型畳み込みネットワークであるDiatomNet(H-COFGS)を紹介する。 82種を対象とする1,456個の珪藻画像のフィルタリングデータセットを用いて,同一条件下での階層モデルと平坦モデルを比較した。 H-COFGSは種レベルでの平坦な基準線(69.4%の精度)と一致し、全ての上層部の分類学的レベルよりも優れている。
論文参考訳（メタデータ） (2025-12-07T01:06:13Z)
BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [60.80381372245902]
生体視覚モデルでは,大規模コントラスト視覚言語学習により創発的行動が観察される。我々は、異なる種を区別するために、TreeOfLife-200MでBioCLIP 2を訓練する。得られたBioCLIP 2の埋め込み空間における創発的特性を同定する。
論文参考訳（メタデータ） (2025-05-29T17:48:20Z)
BeetleVerse: A Study on Taxonomic Classification of Ground Beetles [0.310688583550805]
地上の甲虫は、非常に敏感で特異な生物学的指標であり、生物多様性のモニタリングに不可欠である。本稿では,4つの多種多様な長い尾を持つデータセットの分類分類に関する12の視覚モデルを評価する。その結果,視覚と言語変換器を頭部と組み合わせたモデルが最も優れており,97%の精度で種・種レベルでの精度が得られた。
論文参考訳（メタデータ） (2025-04-18T01:06:37Z)
Low Cost Machine Vision for Insect Classification [33.7054351451505]
本稿では,低コストでスケーラブルなオープンソースシステムとして開発されたマルチセンサシステムの一部として,イメージング手法を提案する。このシステムは、同じ昆虫種16種と異なる属、家系、順序からなるデータセットで、例に評価される。種間類似度の高い種を分類するためには,昆虫のイメージトリミングが必要であることが証明された。
論文参考訳（メタデータ） (2024-04-26T15:43:24Z)
A Step Towards Worldwide Biodiversity Assessment: The BIOSCAN-1M Insect Dataset [18.211840156134784]
本稿では,画像に基づく分類学的評価が可能なコンピュータビジョンモデルの訓練を目的とした,100万画像データセットを提案する。このデータセットは魅力的な特徴も示しており、その研究はより広範な機械学習コミュニティにとって興味深いものとなるだろう。
論文参考訳（メタデータ） (2023-07-19T20:54:08Z)
Fine-Grained ImageNet Classification in the Wild [0.0]
ロバストネステストは、典型的なモデル評価段階で気づかないいくつかの脆弱性やバイアスを明らかにすることができる。本研究では,階層的知識の助けを借りて,密接に関連するカテゴリのきめ細かい分類を行う。
論文参考訳（メタデータ） (2023-03-04T12:25:07Z)
Two-View Fine-grained Classification of Plant Species [66.75915278733197]
本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
論文参考訳（メタデータ） (2020-05-18T21:57:47Z)
Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文参考訳（メタデータ） (2020-02-05T21:38:57Z)

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。