論文の概要: Oh Deer, How Should I Handle This? Seasonal Priors for Selective Wildlife Annotation and Classification

• arxiv url: http://arxiv.org/abs/2608.02762v3
• Date: Sun, 09 Aug 2026 16:11:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.421067
• Title: Oh Deer, How Should I Handle This? Seasonal Priors for Selective Wildlife Annotation and Classification
• Title（参考訳）: ああ、シカ、どう扱えばいいのか? 選択的野生生物アノテーションと分類のための季節的優先順位
• Abstract要約: 低高度UAV調査では、7,295RGBのみ、熱のみ、およびRGB+熱的作物セットが使用されている。 その結果,季節構造リンク (I) アノテーションの品質, (II) 下流分類, (III) 選択予測が得られた。
• 参考スコア（独自算出の注目度）: 6.534564276078739
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fine-grained wildlife classification in aerial imagery is limited not only by model performance, but also by unreliable labels: animals occupy few pixels, key visual cues vary seasonally, and modality-specific evidence can be ambiguous. We study adult-male identification in red deer ($\textit{Cervus elaphus}$), where the antler cycle defines predictable windows of reliable evidence for both annotation and prediction. Using 7,295 RGB-only, thermal-only, and matched RGB+thermal crop sets from low-altitude UAV surveys, labeled by three annotators, we show that seasonal structure links (I) annotation quality, (II) downstream classification, and (III) selective prediction. Matched RGB+thermal review resolves more samples than either single modality, recovering majority-male labels otherwise missed by RGB or thermal alone, in human-based as well as model-based classification. Months with high annotator abstention also show lower classifier confidence, and soft seasonal priors mainly benefit the season-limited thermal view. Uncertainty-band abstention further raises covered accuracy to 98.9%, though at reduced coverage and with deferral that falls disproportionately on males. Overall, a biologically grounded seasonal calendar predicts where annotation and prediction are unreliable, and can guide both annotation protocol design and modality weighting.
• Abstract（参考訳）: 航空画像におけるきめ細かい野生生物の分類は、モデルの性能だけでなく、信頼性の低いラベルによって制限されている。 我々は,アダルトメイル識別をレッドシカ (\textit{Cervus elaphus}$) で研究し,アントラーサイクルはアノテーションと予測の両方に関する信頼できる証拠の予測可能なウィンドウを定義する。 低高度UAV調査から得られた7,295のRGBのみ,熱のみ,および一致したRGB+熱的作物群を用いて,季節構造リンク (I) アノテーションの品質, (II) 下流分類, (III) 選択予測を行った。 マッチングされたRGB+熱的レビューは、単一のモダリティよりも多くのサンプルを解決し、RGBまたは熱単独で欠落した大多数の男性ラベルを、人間ベースの分類とモデルベースの分類で回収する。 高アノテータ禁忌の月は、分類器の信頼性が低く、ソフトな季節先行は、主に季節限定の熱的ビューの恩恵を受ける。 不確かさは、カバー精度を98.9%に引き上げるが、カバー範囲は減少し、男性には不釣り合いな程度に減少する。 全体として、生物学的に根拠付けられた季節カレンダーは、アノテーションと予測が信頼できない場所を予測し、アノテーションプロトコルの設計とモダリティ重み付けの両方を導くことができる。

関連論文リスト

• Predicting Human Disagreement for Calibrated Dynamic Facial Expression Recognition [12.523217686212197]
  生のアノテータカウントベクトル上で直接トレーニングを行う不一致対応のDFERフレームワークを提案する。 別個の曖昧性ヘッドは、目に見えないクリップのアノテーションエントロピーを予測し、モノトーンChowスタイルのリジェクションルールは、予測された曖昧性、空洞性、時間的不安定性、入力品質を組み合わせる。 DFEWでは、ECEを30%減らし、AURCを15%減らしながら認識精度を保ち、不明瞭度はテストクリップのアノテーションエントロピーとスピアマン相関0.52に達する。
  論文  参考訳（メタデータ） (2026-09-15T12:55:22Z)
• Sample-Adaptive Latent Rewards for Uncertainty-Guided Diffusion Post-Training [51.18425726646089]
  我々は、画像とビデオの拡散モデルのための統合潜在空間フレームワークであるtextscSUREを提案する。 報酬分布を学習し、信頼性を直接利用して、密集したポストトレーニングをガイドする。 textscSURE-REFLは評価手法の中で最も高いVBench品質、セマンティック、総得点を達成する。
  論文  参考訳（メタデータ） (2026-08-06T14:55:42Z)
• Assessing Sample Quality in Conditional Generation under Compositional Shift [34.24064416169904]
  トレーニング分布のみを用いて条件付きサンプルを評価するために,サンプル単位の信頼スコアを開発した。 その結果,外挿世代間で有意な比較を再現できることが示唆された。 生体イメージングにおいて、選択されたサンプルは、実際の形態的構造をより良く保存し、下流予測性能を向上させる。
  論文  参考訳（メタデータ） (2026-06-08T15:10:25Z)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• ShortcutProbe: Probing Prediction Shortcuts for Learning Robust Models [26.544938760265136]
  ディープラーニングモデルは、必然的にターゲットと非本質的な特徴の間の急激な相関を学習する。 本稿では,グループラベルを必要とせず,新たなポストホックスプリアスバイアス緩和フレームワークを提案する。 我々のフレームワークであるShortcutProbeは、与えられたモデルの潜在空間における予測の非破壊性を反映した予測ショートカットを識別する。
  論文  参考訳（メタデータ） (2025-05-20T04:21:17Z)
• 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)
• Performance Metrics for Probabilistic Ordinal Classifiers [1.6653762541912462]
  通常の分類モデルは、真のクラスからさらに離れた予測により高い罰則を割り当てる。 本稿では,階層化確率スコア(RPS, Ranked Probability Score)を画像グレーティングに活用することを提唱する。
  論文  参考訳（メタデータ） (2023-09-15T18:45:15Z)
• Extracting or Guessing? Improving Faithfulness of Event Temporal Relation Extraction [87.04153383938969]
  本研究では,TempRel抽出モデルの忠実度を2つの観点から改善する。 第1の視点は、文脈記述に基づいて真に抽出することである。 第2の視点は、適切な不確実性評価を提供することである。
  論文  参考訳（メタデータ） (2022-10-10T19:53:13Z)
• Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
  ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。 本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
  論文  参考訳（メタデータ） (2021-12-15T15:17:02Z)
• Selective Regression Under Fairness Criteria [30.672082160544996]
  少数派集団のパフォーマンスは、カバー範囲を減らしながら低下する場合もある。 満足度基準を満たす特徴を構築できれば、そのような望ましくない行動は避けられることを示す。
  論文  参考訳（メタデータ） (2021-10-28T19:05:12Z)
• Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
  現在の顔認識(FR)モデルには、人口統計バイアスが存在する。 さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。 真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。 本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-16T15:05:49Z)
• On conditional versus marginal bias in multi-armed bandits [105.07190334523304]
  多腕バンディットにおける腕のサンプル平均のバイアスは、適応データ解析において重要な問題である。 サンプル平均を含む報酬の単調関数の条件バイアスの兆候を特徴付ける。 我々の結果は任意の条件付けイベントを保ち、データ収集ポリシーの自然な単調性特性を活用する。
  論文  参考訳（メタデータ） (2020-02-19T20:16:10Z)
• Censored Quantile Regression Forest [81.9098291337097]
  我々は、検閲に適応し、データが検閲を示さないときに量子スコアをもたらす新しい推定方程式を開発する。 提案手法は, パラメトリックなモデリング仮定を使わずに, 時間単位の定量を推定することができる。
  論文  参考訳（メタデータ） (2020-01-08T23:20:23Z)

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。