論文の概要: Camera trap classification with deep learning under ground truth uncertainty

• arxiv url: http://arxiv.org/abs/2608.30789v1
• Date: Mon, 31 Aug 2026 13:45:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.423827
• Title: Camera trap classification with deep learning under ground truth uncertainty
• Title（参考訳）: 地中真実不確かさ下での深層学習を用いたカメラトラップ分類
• Abstract要約: 訓練ラベルはボランティアの市民科学プロジェクトに由来することが多い。 基礎的真理不確実性の下でのトレーニングの効果について検討した。 本研究は,複数のラベルを持つ生態画像タイプに深層学習を適用することの意義について考察した。
• 参考スコア（独自算出の注目度）: 2.560431498361128
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supervised deep learning methods enable the rapid processing of ecological image data, but depend on a costly annotation process. Consequently, training labels are commonly derived from volunteer citizen science projects. However, disagreement among volunteers introduces uncertainty in the "ground truth" data that are assumed to be correct for model training and validation. Using two datasets containing camera trap images with associated volunteer and expert classifications, we investigated the effects of training under higher ground truth uncertainty. We observed improved overall test accuracy, particularly for images that were more difficult for volunteers. Species-level accuracy also generally improved, but generalisation to a different dataset did not. The benefits of ground truth uncertainty were enhanced by pre-training on ImageNet. Pre-training also reduced the number of training epochs required; further reductions in computational cost, but not gains in accuracy, resulted from additional pre-training on other camera trap images. With unbalanced training data, we still observed a clear benefit of increased ground truth uncertainty for overall accuracy, especially on difficult images. Class imbalance improved accuracy for common species, reduced rare species accuracy, and changed patterns of misclassification to more closely resemble mistakes made by volunteers. Our findings have implications for applying deep learning across ecological image types with multiple labels. Practitioners can improve accuracy, especially on difficult examples, by including moderate levels of label disagreement during training and using models pre-trained on general image data. In addition to improving the use of citizen science-derived labels in model training, our study suggests avenues for more effectively integrating human and deep learning classifications in combined workflows. (abridged)
• Abstract（参考訳）: 改良されたディープラーニング手法は、生態画像データの高速な処理を可能にするが、コストのかかるアノテーションプロセスに依存している。 その結果、トレーニングラベルは、一般的にボランティア市民科学プロジェクトに由来する。 しかし、ボランティアの意見の相違は、モデルトレーニングや検証に正しいと考えられる「地上真実」データに不確実性をもたらす。 カメラトラップ画像と、関連するボランティアと専門家の分類を含む2つのデータセットを用いて、基礎的真偽不確実性の下でのトレーニングの効果を検討した。 被験者にとって特に難易度の高い画像では, 総合的検査精度が向上した。 種レベルでの精度も向上したが、異なるデータセットへの一般化は行われなかった。 ImageNetで事前トレーニングを行うことで、地底の真偽の不確実性の利点が向上した。 事前訓練は、必要な訓練エポックの数を減らし、計算コストをさらに削減したが、精度は向上せず、他のカメラトラップ画像に事前訓練を加える結果となった。 非バランスなトレーニングデータでは、特に難解な画像において、全体的な正確性に対する根拠的真理不確実性の増加による明らかなメリットがみられた。 階級不均衡により、共通種の精度が向上し、希少種の精度が低下し、誤分類のパターンが変化し、ボランティアのミスとよりよく似たものになった。 本研究は,複数のラベルを持つ生態画像タイプに深層学習を適用することの意義について考察した。 実践者は、訓練中のラベルの不一致の程度を適度に含み、一般的な画像データに事前訓練されたモデルを使用することで、特に困難な例において精度を向上させることができる。 モデルトレーニングにおける市民科学由来のラベルの使用の改善に加えて,人間と深層学習の分類を統合ワークフローに効果的に統合するための道筋が示唆された。 (略)

関連論文リスト

• Does YOLO Really Need to See Every Training Image in Every Epoch? [58.97843527861311]
  YOLO検出器は高速な推論速度で知られていますが、トレーニングには予期せぬ時間がかかります。 本稿では,どの画像を使用するべきかを動的に決定するアンチフォッティングサンプリング戦略(AFSS)を提案する。 AFSSはYOLOシリーズ検出器のトレーニングスピードアップを1.43ドル以上達成し、精度も向上した。
  論文  参考訳（メタデータ） (2026-03-18T12:59:39Z)
• Rare Wildlife Recognition with Self-Supervised Representation Learning [0.0]
  本稿では,自己指導型プレトレーニングに頼って,必要なトレーニングデータの量を削減する手法を提案する。 MoCo, CLD, および幾何拡張の組み合わせは, ImageNetで事前訓練された従来のモデルよりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-29T17:57:38Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Debiased Pseudo Labeling in Self-Training [77.83549261035277]
  ディープニューラルネットワークは、大規模ラベル付きデータセットの助けを借りて、幅広いタスクで顕著なパフォーマンスを達成する。 ラベル付きデータの要求を軽減するため、ラベル付けされていないデータに擬似ラベルを付けることにより、学術と産業の両方で自己学習が広く使われている。 疑似ラベルの生成と利用を2つの独立した頭文字で分離するデバイアスドを提案する。
  論文  参考訳（メタデータ） (2022-02-15T02:14:33Z)
• Self-Supervised Pretraining and Controlled Augmentation Improve Rare Wildlife Recognition in UAV Images [9.220908533011068]
  本稿では,自己指導型プレトレーニングに頼って,必要なトレーニングデータの量を削減する手法を提案する。 MoCo, CLD, および幾何拡張の組み合わせは, ImageNet 上で事前学習された従来のモデルよりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-17T12:14:28Z)
• Human-Aided Saliency Maps Improve Generalization of Deep Learning [5.723697351415206]
  画像のサラエント領域に関する人間の判断をトレーニングデータにエンコードする。 バイオメトリック提示攻撃検出における難しい問題に対して,最先端のディープラーニングアルゴリズムの精度と一般化を比較した。 後者のアプローチは、より高い精度とより良い一般化を達成し、LivDet-Iris 2020の勝者のエラーを29.78%から16.37%に減少させるモデルをもたらす。
  論文  参考訳（メタデータ） (2021-05-07T20:24:40Z)
• A Theoretical Analysis of Learning with Noisily Labeled Data [62.946840431501855]
  最初に、最初のエポックトレーニングで、クリーンラベルの例が先に学習されることを示しました。 次に、クリーンデータステージから学習した後、継続的なトレーニングモデルがテストエラーのさらなる改善を達成できることを示します。
  論文  参考訳（メタデータ） (2021-04-08T23:40:02Z)
• An Empirical Study of the Collapsing Problem in Semi-Supervised 2D Human Pose Estimation [80.02124918255059]
  半教師付き学習は、ラベルなし画像の探索によってモデルの精度を高めることを目的としている。 私たちは相互に教え合うために2つのネットワークを学びます。 各ネットワーク内の容易なイメージに関するより信頼性の高い予測は、他のネットワークに対応するハードイメージについて学ぶように教えるために使用される。
  論文  参考訳（メタデータ） (2020-11-25T03:29:52Z)
• Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
  In situ hybridization (ISH) gene expression pattern image from the same developmental stage。 正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。 限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T06:06:06Z)

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。