論文の概要: WildFin: An In-the-Wild Dataset for Fish Behavioral Recognition

• arxiv url: http://arxiv.org/abs/2608.21281v1
• Date: Fri, 21 Aug 2026 16:38:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.640156
• Title: WildFin: An In-the-Wild Dataset for Fish Behavioral Recognition
• Title（参考訳）: WildFin:魚の行動認識のためのWild Dataset
• Abstract要約: 生態学者によって収集・注釈付けされた魚の行動認識のための新しいベンチマークであるWildFinを紹介する。 このデータセットは、1,350時間のフィールドワークと600時間のエキスパートアノテーションを含む、膨大な労力を要している。 最新のビジョン基盤モデルと静的アーキテクチャとテンポラルアーキテクチャのトレードオフをベンチマークします。
• 参考スコア（独自算出の注目度）: 4.0409326505680765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in field technology have led to a massive influx of in-the-wild video data for ecological science. The primary bottleneck in leveraging this data is the high cost of expert annotation. While computer vision offers a potential solution, current models frequently fail when deployed in complex marine environments. To characterize these failures, we introduce WildFin, a novel benchmark for fish behavior recognition collected and annotated by ecologists.WildFin spans two critical real-world paradigms: stationary cameras monitoring groups of fish and dynamic divers following individual subjects. The dataset represents a massive curation effort, involving 1,350 hours of fieldwork and 600 hours of expert annotation to produce 9 hours of behavioral data with over 2 million frame-by-frame labels. We benchmark modern vision foundation models and quantify tradeoffs between static and spatiotemporal architectures, revealing the substantial gap that remains between current model capabilities and the demands of real-world underwater behavioral analysis. Project website: https://team-wildfin.github.io/.
• Abstract（参考訳）: 近年のフィールド技術の発展により、生態学の分野におけるビデオデータが大量に流入している。 このデータを活用する上で最大のボトルネックは、エキスパートアノテーションのコストが高いことです。 コンピュータビジョンは潜在的な解決策を提供するが、現在のモデルは複雑な海洋環境に配備されると頻繁に失敗する。 これらの失敗を特徴付けるために、WildFinは、生態学者が収集し、注釈付けした魚の行動認識のための新しいベンチマークであるWildFinを紹介します。 このデータセットは、1,350時間のフィールドワークと600時間の専門家アノテーションによる大規模なキュレーションの成果であり、200万フレーム以上のラベルを持つ9時間の行動データを生成する。 我々は、現代の視覚基盤モデルをベンチマークし、静的および時空間アーキテクチャ間のトレードオフを定量化し、現在のモデル能力と実世界の水中行動分析の要求との間に残るかなりのギャップを明らかにする。 プロジェクトウェブサイト: https://team-wildfin.github.io/.com

関連論文リスト

• ShellfishNet: A Domain-Specific Benchmark for Visual Recognition of Marine Molluscs [5.457526757904208]
  貝の生物多様性は沿岸生態系にとって深刻な脅威である。 ShellfishNetは、実世界の生態モニタリング制約に対する包括的なイメージベンチマークデータセットである。
  論文  参考訳（メタデータ） (2026-05-08T06:42:55Z)
• A Framework for Multi-View Multiple Object Tracking using Single-View Multi-Object Trackers on Fish Data [0.559239450391449]
  この論文は、生態学研究における水中魚の検出と追跡に最先端のシングルビューMOTモデルであるFairMOTとYOLOv8を適用している。 提案フレームワークは,魚の個体を相対的精度47%で検出し,立体マッチング技術を用いて新しい3D出力を生成する。
  論文  参考訳（メタデータ） (2025-05-22T18:12:08Z)
• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• Image-Based Relocalization and Alignment for Long-Term Monitoring of Dynamic Underwater Environments [57.59857784298534]
  本稿では,視覚的位置認識(VPR),特徴マッチング,画像分割を組み合わせた統合パイプラインを提案する。 本手法は, 再検討領域のロバスト同定, 剛性変換の推定, 生態系変化の下流解析を可能にする。
  論文  参考訳（メタデータ） (2025-03-06T05:13:19Z)
• BuckTales : A multi-UAV dataset for multi-object tracking and re-identification of wild antelopes [0.6267336085190178]
  BuckTalesは、野生動物の多目的追跡と再同定問題を解決するために設計された最初の大規模なUAVデータセットである。 MOTデータセットには12の高解像度(5.4K)ビデオを含む680トラックを含む120万以上のアノテーションが含まれている。 Re-IDデータセットには、同時に2つのUAVで捕獲された730人の個人が含まれている。
  論文  参考訳（メタデータ） (2024-11-11T11:55:14Z)
• ODYSSEE: Oyster Detection Yielded by Sensor Systems on Edge Electronics [14.935296890629795]
  オイスターは沿岸生態系において重要なキーストーンであり、経済的、環境的、文化的な利益をもたらす。 現在の監視戦略は、しばしば破壊的な方法に依存している。 本研究では, 安定拡散を用いた新しいパイプラインを提案し, 現実的な合成データを用いて収集した実データセットを増強する。
  論文  参考訳（メタデータ） (2024-09-11T04:31:09Z)
• Multifidelity digital twin for real-time monitoring of structural dynamics in aquaculture net cages [1.124958340749622]
  デジタルツイン技術は水産産業を前進させることができるが、その採用は限られている。 フレキシブルな浮体構造である魚網ケージは、養殖農場の重要かつ脆弱な構成要素である。 本研究では,水生生物網の構造動態をリアルタイムにモニタリングするデジタルツインへの統合のための多要素代理モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T21:26:30Z)
• TempNet: Temporal Attention Towards the Detection of Animal Behaviour in Videos [63.85815474157357]
  本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。 TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。 本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
  論文  参考訳（メタデータ） (2022-11-17T23:55:12Z)
• Recovering 3D Human Mesh from Monocular Images: A Survey [49.00136388529404]
  単眼画像から人間のポーズと形状を推定することは、コンピュータビジョンにおける長年の問題である。 本調査は, 単分子型3次元メッシュ回収の課題に焦点を当てた。
  論文  参考訳（メタデータ） (2022-03-03T18:56:08Z)
• SODA10M: Towards Large-Scale Object Detection Benchmark for Autonomous Driving [94.11868795445798]
  我々は,SODA10Mという名の自律走行用大規模物体検出ベンチマークをリリースし,1000万枚の未ラベル画像と6つの代表対象カテゴリをラベル付けした20K画像を含む。 多様性を向上させるために、画像は32の異なる都市で、1フレームあたり10秒毎に異なる気象条件、期間、場所のシーンで収集される。 我々は、既存の教師付き最先端検出モデル、一般的な自己監督型および半教師付きアプローチ、および将来のモデルの開発方法に関するいくつかの知見について、広範な実験と詳細な分析を行った。
  論文  参考訳（メタデータ） (2021-06-21T13:55:57Z)
• Deep learning with self-supervision and uncertainty regularization to count fish in underwater images [28.261323753321328]
  効果的な保全活動には、効果的な人口監視が必要です。 画像サンプリングによる人口のモニタリングにより、データ収集は安価で広く、侵入性が低くなっている。 このようなデータから動物を数えることは、特に騒々しい画像に密に詰め込まれた場合、困難です。 深層学習は多くのコンピュータビジョンタスクの最先端の手法であるが、動物を数えるためにはまだ十分に研究されていない。
  論文  参考訳（メタデータ） (2021-04-30T13:02:19Z)
• AcinoSet: A 3D Pose Estimation Dataset and Baseline Models for Cheetahs in the Wild [51.35013619649463]
  我々はAcinoSetと呼ばれる野生のフリーランニングチーターの広範なデータセットを提示する。 データセットには、119,490フレームのマルチビュー同期高速ビデオ映像、カメラキャリブレーションファイル、7,588フレームが含まれている。 また、結果の3D軌道、人間チェックされた3D地上真実、およびデータを検査するインタラクティブツールも提供される。
  論文  参考訳（メタデータ） (2021-03-24T15:54:11Z)
• A Realistic Fish-Habitat Dataset to Evaluate Algorithms for Underwater Visual Analysis [2.6476746128312194]
  我々は、DeepFishを大規模データセットでベンチマークスイートとして提示し、いくつかのコンピュータビジョンタスクのためのメソッドをトレーニングし、テストする。 このデータセットは、熱帯オーストラリアの海洋環境にある20の温帯生物から採取された約4万枚の画像で構成されている。 実験では,データセットの特徴を詳細に分析し,いくつかの最先端手法の性能評価を行った。
  論文  参考訳（メタデータ） (2020-08-28T12:20:59Z)

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。