論文の概要: PuTR-CouT: Counting-by-Tracking in Camera-Trap Image Sequences
- arxiv url: http://arxiv.org/abs/2609.05038v1
- Date: Fri, 04 Sep 2026 11:57:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:24.02759
- Title: PuTR-CouT: Counting-by-Tracking in Camera-Trap Image Sequences
- Title（参考訳）: PuTR-CouT:カメラ・トラック画像シーケンスにおけるカウント・バイ・トラック
- Abstract要約: 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。
- 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: Species identification in camera trap images has been widely studied, but key ecological modeling tasks such as species abundance or density estimation also require counting individual animals. However, the lack of counting labels in most datasets and low frame rates (typically ~1 frame per second) make sequence-level tracking and count estimation particularly challenging. In this work, we present PuTR-CouT, a counting-by-tracking framework built on a transformer-based learned association mechanism for sequence-level animal counting in camera trap images. To address the scarcity of annotated tracking data, we generate synthetic training data by exploiting structural priors, such as static backgrounds and short temporal bursts, to heuristically create pseudo-tracking labels in a weakly supervised manner. The resulting tracker associates detections across frames, using these tracks to estimate per-species counts. We also refine the MaxBoxCount heuristic used by the top solutions of the iWildCam 2021 challenge as a strong baseline, setting the highest score reported to date. When evaluated on the iWildCam 2021 benchmark, our framework PuTR-CouT delivers competitive counting results compared to the improved MaxBoxCount, with the added capability of multi-species predictions and track-level verification.
- Abstract（参考訳）: カメラトラップ画像における種識別は広く研究されているが、種数や密度推定などの重要な生態モデリングタスクも、個体数をカウントする必要がある。
しかし、ほとんどのデータセットにおけるカウントラベルの欠如とフレームレートの低さ(典型的には毎秒1フレーム)は、シーケンスレベルの追跡とカウント推定を特に困難にしている。
本研究では,PuTR-CouTについて述べる。PuTR-CouTは,カメラトラップ画像におけるシークエンスレベルの動物の数える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く追跡フレームワークである。
注釈付き追跡データの不足に対処するため,静的な背景や短時間の時間的バーストといった構造的先行点を利用して合成学習データを生成し,弱い教師付きで擬似追跡ラベルをヒューリスティックに作成する。
結果として得られたトラッカーはフレーム全体の検出を関連付け、これらのトラックを使用して種毎の数を推定する。
また、iWildCam 2021チャレンジのトップソリューションで使用されているMaxBoxCountヒューリスティックを強力なベースラインとして洗練し、これまで報告された最高スコアを設定しました。
iWildCam 2021ベンチマークで評価すると、我々のフレームワークPuTR-CouTは、改良されたMaxBoxCountと競合するカウント結果を提供する。
関連論文リスト
- BMCTrack-d: Pig re-identification and tracking via back marks in challenging camera settings [0.2770822269241974]
BMCTrack-dは、ユニークなバックマークを活用する新しいトラッキング・バイ・検出手法である。
この方法はまず、ニューラルネットワークに基づくバックマークを用いて検出されたブタの身元を予測する。
BMCTrack-dは要求の高いテストセットで2つの強いベースラインを上回ります。
論文 参考訳（メタデータ） (2026-09-03T07:20:03Z) - Counting Animals in Camera-Traps Image Sequences without Count Labels: Winning Solution to the iWildCam 2021 Challenge [1.139527693693141]
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。
論文 参考訳（メタデータ） (2026-09-03T00:29:15Z) - Promptable Animal Pose Tracking Across Species [6.856674886457795]
動物のポーズ推定と追跡は野生生物のモニタリングと保護研究にとって重要である。
大規模データセットでトレーニングされた視覚基盤モデルは,限られたラベル付きデータを用いて動物のポーズを追跡するのに有効であることを示す。
ビデオ中のユーザ選択キーポイントを追跡するために,教師なしと教師なしの2つのモデルを提案する。
論文 参考訳（メタデータ） (2026-08-05T16:04:20Z) - 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) - BlinkTrack: Feature Tracking over 80 FPS via Events and Images [50.98675227695814]
本稿では,イベントデータをグレースケール画像と統合して高周波数特徴追跡を行う新しいフレームワークであるBlinkTrackを提案する。
本手法は,従来のカルマンフィルタを学習ベースのフレームワークに拡張し,イベントおよびイメージの分岐において微分可能なカルマンフィルタを利用する。
実験結果から,BlinkTrackは,マルチモーダリティデータで80FPS,プリプロセッシングイベントデータで100FPS,既存手法ではかなり優れていた。
論文 参考訳（メタデータ） (2024-09-26T15:54:18Z) - APTv2: Benchmarking Animal Pose Estimation and Tracking with a
Large-scale Dataset and Beyond [27.50166679588048]
APTv2は動物のポーズ推定と追跡のための大規模ベンチマークのパイオニアである。
ビデオクリップは2,749本で、30種の動物から抽出・収集されている。
我々は,84,611種の動物インスタンスに対して高品質なキーポイントと追跡アノテーションを提供する。
論文 参考訳（メタデータ） (2023-12-25T04:49:49Z) - Tracking by Associating Clips [110.08925274049409]
本稿では,オブジェクト関連をクリップワイドマッチングとして扱う方法を検討する。
我々の新しい視点では、1つの長いビデオシーケンスを複数のショートクリップとみなし、そのトラックはクリップ内とクリップ間の両方で実行される。
この新しい手法の利点は2つある。まず、ビデオチャンキングによって中断フレームをバイパスできるため、エラーの蓄積や伝播の追跡に頑健である。
次に、クリップワイドマッチング中に複数のフレーム情報を集約し、現在のフレームワイドマッチングよりも高精度な長距離トラックアソシエーションを実現する。
論文 参考訳（メタデータ） (2022-12-20T10:33:17Z) - APT-36K: A Large-scale Benchmark for Animal Pose Estimation and Tracking [77.87449881852062]
APT-36Kは動物のポーズ推定と追跡のための最初の大規模ベンチマークである。
このビデオは、30種の動物から収集・フィルタリングされた2,400のビデオクリップと、各ビデオの15フレームで構成されており、合計で36,000フレームとなっている。
我々は,(1)ドメイン内およびドメイン間移動学習環境下での単一フレームでの動物ポーズ推定,(2)未確認動物に対する種間ドメイン一般化テスト,(3)動物追跡による動物ポーズ推定の3つのモデルについて,いくつかの代表的モデルをベンチマークした。
論文 参考訳（メタデータ） (2022-06-12T07:18:36Z) - Visible-Thermal UAV Tracking: A Large-Scale Benchmark and New Baseline [80.13652104204691]
本稿では,可視熱UAV追跡(VTUAV)のための高多様性の大規模ベンチマークを構築する。
本稿では, フレームレベルの属性を, チャレンジ固有のトラッカーの可能性を利用するための粗粒度属性アノテーションを提案する。
さらに,様々なレベルでRGB-Tデータを融合するHMFT(Hierarchical Multi-modal Fusion Tracker)という新しいRGB-Tベースラインを設計する。
論文 参考訳（メタデータ） (2022-04-08T15:22:33Z) - Unsupervised Learning of Accurate Siamese Tracking [68.58171095173056]
分類枝と回帰枝の両方で時間対応を学習できる新しい教師なし追跡フレームワークを提案する。
トラッカーは、トラッカーネットやLaSOTのような大規模データセット上で、教師なしの手法と同等の性能を発揮する。
論文 参考訳（メタデータ） (2022-04-04T13:39:43Z) - TAO: A Large-Scale Benchmark for Tracking Any Object [95.87310116010185]
オブジェクトのデータセットの追跡は2,907本の高解像度ビデオで構成され、平均で30分の長さの多様な環境でキャプチャされる。
ビデオの任意の時点で移動するオブジェクトにアノテータにラベルを付け、ファクトラムの後に名前を付けるように求めます。
我々の語彙は、既存の追跡データセットと著しく大きく、質的に異なる。
論文 参考訳（メタデータ） (2020-05-20T21:07:28Z)
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。