論文の概要: Uncertainty-Aware Crossmodal Fusion for Classification of Animal Behavior

• arxiv url: http://arxiv.org/abs/2608.02104v1
• Date: Mon, 03 Aug 2026 12:05:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.520755
• Title: Uncertainty-Aware Crossmodal Fusion for Classification of Animal Behavior
• Title（参考訳）: 動物行動分類のための不確かさを意識したクロスモーダルフュージョン
• Abstract要約: 本研究では,各表現に対するガウス的不確かさを推定し,不確実性重み付けによってそれらを融合する2重ストリームフレームワークUncertainty-Aware Fusion (UAF)を提案する。 UAFは17クラスのSoundWelで59.4%の精度/39.7%のマクロF1を、3クラスのDogBarkデータセットで73.1%の精度/71.5%のマクロF1を達成し、それぞれ15.7%と20.4%の相対的なマクロF1を達成している。
• 参考スコア（独自算出の注目度）: 1.6178468864923607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence offers substantial potential for acoustic monitoring of animals, from welfare assessment in precision livestock farming to wildlife conservation and ecological research, where vocalizations can indicate health, stress, and social states earlier and at lower cost than manual observation. However, recordings in these settings are obtained under uncontrolled conditions, including environmental noise, reverberation, overlapping calls, and sensors that degrade without notice. As a consequence, automated classification of animal vocalizations remains challenging, and the two dominant acoustic representations show complementary limitations: raw waveforms preserve temporal microstructure but degrade under clipping and reverberation, while log-Mel spectrograms capture harmonic organization but lose phase information and are sensitive to broadband noise. To address these challenges, we propose Uncertainty-Aware Fusion (UAF), a dual-stream framework that estimates Gaussian uncertainty for each representation and fuses them via uncertainty weighting. This mechanism assigns greater weight to the more confident representation with no reliability labels required. In a cross-species, identity-based evaluation excluding all individuals seen during training, UAF (mean pooling) achieves 59.4\% accuracy / 39.7\% macro F1 on the 17-class SoundWel pig vocalization benchmark and 73.1\% accuracy / 71.5\% macro F1 on the 3-class DogBark dataset, outperforming static-concatenation fusion by 15.7\% and 20.4\% relative macro F1, respectively. Ablations over four temporal aggregation strategies show that uncertainty fusion, rather than the temporal characteristics of animal calls, is the primary driver of the performance gain.
• Abstract（参考訳）: 人工知能は、家畜の精密農業における福祉評価から野生生物保護や生態研究まで、動物の音響モニタリングにかなりの可能性を秘めている。 しかし、これらの設定での録音は、環境騒音、残響、重なり合う呼び出し、注意を払わずに劣化するセンサーなど、制御されていない条件下で得られる。 その結果、動物の発声の自動分類は依然として困難であり、2つの支配的な音響表現は相補的な限界を示している: 原波形は時間的微細構造を保っているが、クリッピングや残響下では劣化する。 これらの課題に対処するために、両ストリームフレームワークであるUncertainty-Aware Fusion (UAF)を提案する。 このメカニズムは信頼性ラベルを必要とせず、より信頼性の高い表現に重みを割り当てる。 クロス種では、UAF (mean pooling) は17クラスのSoundWelで59.4\%の精度/39.7\%のマクロF1を、3クラスのDogBarkデータセットで73.1\%の精度/71.5\%のマクロF1を達成し、それぞれ15.7\%と20.4\%の相対的なマクロF1を上回ります。 4つの時間的アグリゲーション戦略に対するアブレーションは、動物呼び出しの時間的特性よりも不確実性融合がパフォーマンス向上の主要因であることを示している。

関連論文リスト

• MAST: Label-Efficient, Robust, and Generalizable Sound Detection for Biodiversity Monitoring via Masked Audio Pretraining and Self-Training [7.983925207958734]
  動物の発声の時間周波数アノテーションは高価で、サイト固有のものであり、大規模に維持することは困難である。 本稿では,マスク付きオーディオプリトレーニングと,メルスペクトログラム上の軽量検出器を組み合わせたラベル効率のよい音響検出フレームワークを提案する。 熱帯雨林のサウンドスケープ(インドネシア)と地中海の生息域(スペイン)における鳥の声化という,生態学的に異なる2つの領域での性能評価を行った。
  論文  参考訳（メタデータ） (2026-09-14T08:41:23Z)
• Attention-Guided Reliability Scaling for Contrastive Decoding in Robust Audio-Visual Speech Recognition [50.15288513086986]
  コントラストデコーディング (CD) は、元々は大型言語モデル (LLM) ベースの音声視覚音声認識 (AVSR) システムを安定化するために導入された。 AVSR用CDの信頼性を考慮したスケーリングを提案する。
  論文  参考訳（メタデータ） (2026-08-26T08:25:15Z)
• Dynamic Spectral Denoising with Global-Context Attention for Multi-Behavior Recommendation [58.33732779555114]
  重要なボトルネックは、2つの結合した不均一性によって引き起こされる表現レベルの失敗である、と我々は主張する。 マルチビヘイビアレコメンデーション(SpectraMB)のためのグローバルコンテキストを考慮した動的スペクトルデノベーションを提案する。 SpectraMBは、ほとんどの評価設定で最高の結果を達成し、ノイズのある相互作用下での堅牢性の向上を示す。
  論文  参考訳（メタデータ） (2026-06-01T15:58:13Z)
• Multi-Object Tracking Consistently Improves Wildlife Inference [4.13115026589334]
  本研究では,野生生物分類モデルから推定された予測を増大させるため,カメラトラップデータの時間的特性を利用する。 我々は、連続するフレーム間で検出をリンクするために、複数の標準マルチオブジェクト追跡(MOT)モデルを採用する。 融合確率スコアは、ノイズによる誤分類をオーバーライドする単一のコンセンサスクラスラベル推定を生成する。
  論文  参考訳（メタデータ） (2026-05-15T22:13:25Z)
• Synthetic Data for Veterinary EHR De-identification: Benefits, Limits, and Safety Trade-offs Under Fixed Compute [0.0]
  本研究は,大規模言語モデル(LLM)が生成する合成物語が識別の安全性を向上するか否かを評価する。 10,382枚の合成ノートを,プライバシ保護型「テンプレートオンリー」システムを用いて生成した。 人工的な増強は曝露拡大に有効であるが, 代替的ではなく, 安全クリティカルな獣医の身元特定に有効であると考えられた。
  論文  参考訳（メタデータ） (2026-01-13T19:35:25Z)
• Multi-Representation Attention Framework for Underwater Bioacoustic Denoising and Recognition [0.924965746838578]
  生体関連エネルギーのソフトマスクを生成するために、まずスペクトログラムをセグメント化する多段階の注意誘導フレームワークを導入する。 画像とマスクの埋め込みは、中間レベルの融合によって統合され、モデルが正常なスペクトル領域に集中できるようにする。 カナダのセイグネイ・セントローレンス海洋公園研究ステーションの実際の記録を用いて、セグメンテーション駆動の注意と中級核融合が信号の識別を改善することを実証した。
  論文  参考訳（メタデータ） (2025-10-29T22:49:15Z)
• Time Is a Feature: Exploiting Temporal Dynamics in Diffusion Language Models [57.474294329887236]
  拡散大言語モデル (dLLMs) は反復的 denoising を通じてテキストを生成する。 現在のデコード戦略は、最終的な出力に有利なリッチな中間予測を捨てている。 時間的整合性を利用する2つの相補的手法を導入する。
  論文  参考訳（メタデータ） (2025-08-12T17:59:57Z)
• FM2S: Towards Spatially-Correlated Noise Modeling in Zero-Shot Fluorescence Microscopy Image Denoising [33.383511185170214]
  蛍光マイクログラフ・トゥ・セルフ (FM2S) は、3つの重要な革新を通じて効率的な蛍光マイクログラフ・トゥ・セルフ (FM2S) を実現するゼロショットデノイザーである。 FM2Sは平均1.4dBPSNRでCVF-SIDを上回り、AP-BSNの0.1%のパラメータを必要とする。
  論文  参考訳（メタデータ） (2024-12-13T10:45:25Z)
• Advanced Framework for Animal Sound Classification With Features Optimization [35.2832738406242]
  一般的な動物音響分類に適用可能な自動分類フレームワークを提案する。 提案手法は,精度,リコール,精度を25%以上向上させる。
  論文  参考訳（メタデータ） (2024-07-03T18:33:47Z)
• WhaleNet: a Novel Deep Learning Architecture for Marine Mammals Vocalizations on Watkins Marine Mammal Sound Database [49.1574468325115]
  textbfWhaleNet (Wavelet Highly Adaptive Learning Ensemble Network) は海洋哺乳動物の発声を分類するための高度な深層アンサンブルアーキテクチャである。 既存のアーキテクチャよりも8-10%の精度で分類精度を向上し、分類精度は9,7.61%である。
  論文  参考訳（メタデータ） (2024-02-20T11:36:23Z)
• A noise-robust acoustic method for recognizing foraging activities of grazing cattle [35.21388806827219]
  NRFAR(Noth-Robust Foraging Activity Recognizer)と呼ばれる音響手法の動作原理と一般化能力について述べる。 ノイズのない環境では、NRFARは平均的平衡精度86.4%に達し、以前の2つの音響手法を7.5%以上上回った。 NRFARは厳しい放牧環境において有効であることが示されており、牧草管理を改善し、乳牛の健康と福祉をモニタリングするための信頼性の高いソリューションとして利用することができる。
  論文  参考訳（メタデータ） (2023-04-28T13:06:14Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)

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。