論文の概要: Counting Animals in Camera-Traps Image Sequences without Count Labels: Winning Solution to the iWildCam 2021 Challenge

• arxiv url: http://arxiv.org/abs/2609.03233v1
• Date: Thu, 03 Sep 2026 00:29:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.883915
• Title: Counting Animals in Camera-Traps Image Sequences without Count Labels: Winning Solution to the iWildCam 2021 Challenge
• Title（参考訳）: iWildCam 2021チャレンジで優勝した動物たち
• Abstract要約: iWildCam 2021 Challengeでは,動物を列レベルで数えるためのベンチマークが導入された。 我々のアプローチであるMaxBoxCountは、強力な種分類パイプラインとMegaDetector検出に基づく単純で効果的な数え上げを組み合わせたものです。
• 参考スコア（独自算出の注目度）: 1.139527693693141
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Camera traps have become an essential tool for wildlife monitoring, motivating the development of computer vision methods for the automated extraction of information from these data. While most prior work has focused on species identification, many ecological applications also require estimating the number of unique individuals appearing across short image sequences. This task is particularly challenging because camera traps typically acquire bursts of images at approximately one frame per second, creating large temporal discontinuities that may make conventional multi-object tracking methods unreliable, and because manually collecting individual count annotations is prohibitively expensive. In this work, we describe the winning solution to the iWildCam 2021 Challenge, which introduced a benchmark for counting animals at the sequence level under realistic annotation constraints where count annotations are unavailable for training. Our approach, MaxBoxCount, combines a strong species classification pipeline with a simple yet effective counting heuristic based on MegaDetector detections to estimate the number of unique individuals without requiring count annotations. Code is available at https://github.com/alcunha/iwildcam2021ufam.
• Abstract（参考訳）: カメラトラップは野生生物の監視に欠かせないツールとなり、これらのデータから情報を自動的に抽出するコンピュータビジョン手法の開発を動機付けている。 以前の研究は種同定に重点を置いていたが、多くの生態学的応用では、短い画像列にまたがるユニークな個体の数を推定する必要がある。 この課題は、通常、カメラトラップが1秒あたり約1フレームで画像のバーストを取得し、従来のマルチオブジェクト追跡手法を信頼できないような時間的不連続を生じさせるため、また、手動で個々人のアノテーションの収集が禁止されるため、特に困難である。 本研究では,iWildCam 2021 Challengeにおいて,動物を列レベルで数えるためのベンチマークを導入した。 我々のアプローチであるMaxBoxCountは、強力な種分類パイプラインとMegaDetector検出に基づく単純で効果的な数え上げヒューリスティックを組み合わせることで、数え上げアノテーションを必要とせずにユニークな個体数を推定する。 コードはhttps://github.com/alcunha/iwildcam2021ufam.comから入手できる。

関連論文リスト

• PuTR-CouT: Counting-by-Tracking in Camera-Trap Image Sequences [1.139527693693141]
  PuTR-CouTは、カメラトラップ画像におけるシーケンシャルレベルの動物カウントのための、トランスフォーマーに基づく学習関連機構に基づいて構築されたカウント・バイ・トラッキングフレームワークである。 我々のフレームワークは、改良されたMaxBoxCountと比較して、多種多様な予測とトラックレベルの検証機能を加えて、競争力のあるカウント結果を提供する。
  論文  参考訳（メタデータ） (2026-09-04T11:57:22Z)
• CAMotion: A High-Quality Benchmark for Camouflaged Moving Object Detection in the Wild [83.45543969516149]
  本稿では,野生の移動物体検出のための高品質なベンチマークであるCAMotionを構築した。 このベンチマークは、異なる挑戦シナリオにおいて、カモフラージュされた物体の運動特性を詳細に分析する。 また、既存のSOTAモデルをCAMotion上で総合的に評価し、VCODタスクにおける大きな課題について論じる。
  論文  参考訳（メタデータ） (2026-04-09T14:23:46Z)
• Self-Supervised Animal Identification for Long Videos [0.8233028449337972]
  我々は,動物識別をグローバルクラスタリングタスクとして再編成する,効率的で自己管理的な手法を提案する。 私たちのフレームワークは1000以上のラベル付きフレームでトレーニングされた教師付きベースラインと一致または超えます。 この研究により、消費者階級のハードウェア上で、実用的で高精度な動物識別が可能になる。
  論文  参考訳（メタデータ） (2026-01-14T17:53:59Z)
• Self-supervised Learning on Camera Trap Footage Yields a Strong Universal Face Embedder [48.03572115000886]
  本研究では、未ラベルのカメラトラップ映像から堅牢なチンパンジー顔の埋め込みを学習するための、完全な自己教師型アプローチを提案する。 私たちは、自動的に採掘された顔作物にビジョントランスフォーマーを訓練し、IDラベルを不要にします。 この研究は、生物多様性モニタリングにおける自己教師型学習の可能性を強調し、スケーラブルで非侵襲的な集団研究の道を開く。
  論文  参考訳（メタデータ） (2025-07-14T17:59:59Z)
• One Diffusion to Generate Them All [54.82732533013014]
  OneDiffusionは双方向画像合成と理解をサポートする汎用的で大規模な拡散モデルである。 テキスト、深さ、ポーズ、レイアウト、セマンティックマップなどの入力から条件生成を可能にする。 OneDiffusionは、シーケンシャルな画像入力を使用して、マルチビュー生成、カメラポーズ推定、即時パーソナライズを可能にする。
  論文  参考訳（メタデータ） (2024-11-25T12:11:05Z)
• Learning Camouflaged Object Detection from Noisy Pseudo Label [60.9005578956798]
  本稿では,まず,弱い半教師付きカモフラージュオブジェクト検出(COD)法を提案する。 予算効率が高く高精度なカモフラージュされたオブジェクトセグメンテーションを目標とし、完全にラベル付けされた画像が極めて限られている。 本稿では,早期の学習段階において,モデルが正しい画素の学習を容易にするノイズ補正損失を提案する。 完全ラベル付きデータの20%しか使用しない場合,本手法は最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T04:53:51Z)
• Multimodal Foundation Models for Zero-shot Animal Species Recognition in Camera Trap Images [57.96659470133514]
  モーションアクティベートカメラトラップは、世界中の野生生物を追跡・監視するための効率的なツールである。 教師付き学習技術は、そのような画像を分析するためにうまく展開されているが、そのような訓練には専門家のアノテーションが必要である。 コストのかかるラベル付きデータへの依存を減らすことは、人間の労働力を大幅に減らした大規模野生生物追跡ソリューションを開発する上で、大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-11-02T08:32:00Z)
• CamDiff: Camouflage Image Augmentation via Diffusion Model [83.35960536063857]
  CamDiffは、カモフラージュされたシーンで透明なオブジェクトを合成するための新しいアプローチだ。 我々は,潜伏拡散モデルを用いて,カモフラージュされたシーンで有能な物体を合成する。 当社のアプローチでは、フレキシブルな編集と大規模データセットの効率的な生成を低コストで実現している。
  論文  参考訳（メタデータ） (2023-04-11T19:37:47Z)
• Efficiently Collecting Training Dataset for 2D Object Detection by Online Visual Feedback [5.015678820698308]
  ディープラーニングに基づく視覚システムの訓練には、かなりの数の画像のマニュアルアノテーションが必要である。 本稿では,Webアプリケーションを用いたHuman-in-the-loopデータセット収集手法を提案する。 マルチビューオブジェクト画像データセットの収集を楽しい方法で促進し,作業負荷と性能を相殺するために,3種類のオンライン視覚フィードバック機能を提案する。
  論文  参考訳（メタデータ） (2023-04-11T00:17:28Z)
• The iWildCam 2021 Competition Dataset [5.612688040565423]
  生態学者は、世界中の動物集団を監視するためにカメラトラップを使用します。 種の豊富さを推定するには、生態学者はどの種が見られたかだけでなく、各種の個体数を知る必要がある。 トレーニングデータとテストデータが、さまざまなカメラから世界中に分散している課題を準備しました。
  論文  参考訳（メタデータ） (2021-05-07T20:27:22Z)
• Automatic Detection and Recognition of Individuals in Patterned Species [4.163860911052052]
  我々は,異なるパターンの個体の自動検出と認識のための枠組みを開発する。 我々は最近提案したFaster-RCNNオブジェクト検出フレームワークを用いて画像中の動物を効率的に検出する。 我々は,シマウマおよびジャガー画像の認識システムを評価し,他のパターンの種への一般化を示す。
  論文  参考訳（メタデータ） (2020-05-06T15:29:21Z)

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。