論文の概要: BarkNet-Lite: A Lightweight Texture and Colour Network with the BarkBD Benchmark for Bark-Based Tree Species Recognition in Bangladesh

• arxiv url: http://arxiv.org/abs/2609.07600v1
• Date: Mon, 07 Sep 2026 15:10:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 21:39:48.017879
• Title: BarkNet-Lite: A Lightweight Texture and Colour Network with the BarkBD Benchmark for Bark-Based Tree Species Recognition in Bangladesh
• Title（参考訳）: BarkNet-Lite:バングラデシュの樹種認識のためのBarkBDベンチマークによる軽量テクスチャとカラーネットワーク
• Abstract要約: バングラデシュのバークデータセットであるBarkBDをリリースしています。 ランダム初期化から学習した2.96MパラメータネットワークBarkNet-Liteを提案する。 我々は,コモディティスマートフォン上で1枚の写真を15.34ミリ秒で分類する単一精度モデルを輸出する。
• 参考スコア（独自算出の注目度）: 0.40272693479079796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tree species recognition supports forest inventory and biodiversity monitoring but still depends on scarce taxonomic expertise. Bark is visible year-round at ground level, yet bark recognition has concentrated on temperate floras and on large ImageNet-pre-trained backbones. We address both gaps. First, we release BarkBD, a bark dataset for Bangladesh: 14,258 uncropped smartphone photographs of 20 native species across four districts and three weather conditions, with a fixed stratified split. Second, we propose BarkNet-Lite, a 2.96M-parameter network trained from random initialisation, pairing a multi-scale texture pathway with a parallel colour-aware pathway. Over five seeds it reaches 96.64+-0.66%accuracyunderstrict single-image inference, within 2.3 points of nine ImageNet-pre-trained backbones fine-tuned under an identical protocol and within one seed-level standard deviation of the smallest ofthem, andtransfers to public benchmarks (95.86% on BarkVN-50, 92.85% on BarkNet 1.0). Grad-CAM, validated by faithfulness and weight-randomisation checks, confirms its decisions rest on bark structure rather than background. The exported single-precision model classifies one photograph in 15.34ms on a commodity smartphone.
• Abstract（参考訳）: 樹木の種認識は森林の在庫と生物多様性のモニタリングをサポートするが、それでも少ない分類学の専門知識に依存している。 樹皮は年間を通じて地上で見られるが、樹皮認識は温帯花序や、ImageNetで事前訓練されたバックボーンに集中している。 両方のギャップに対処します。 まず、バングラデシュの樹皮データセットであるBarkBDを公開しました。4つの地域と3つの気象条件の20種のスマートフォン写真14,258枚。 第2に,ランダム初期化から学習した2.96MパラメータネットワークであるBarkNet-Liteを提案する。 5種以上の種子は96.64+-0.66%の精度の単一イメージ推論に到達し、9つのImageNet-pre-trained backboneの2.3ポイント以内で、同じプロトコルで微調整され、最小のthemの種レベルでの標準偏差が1つの範囲内にあり、公開ベンチマーク(BarkVN-50では95.86%、BarkNet 1.0では92.85%)に遷移する。 Grad-CAMは、誠実さとウェイトランダム化チェックによって検証され、その決定は背景ではなく樹皮構造に依存していることを確認する。 輸出された単精度モデルは、コモディティスマートフォンで15.34msの写真を分類する。

関連論文リスト

• AgroVisNet: A lightweight Convolutional Network and the BD-PlantDX Expert-Validated Benchmark for Radish, Potato and Pointed Gourd Disease Classification [0.3686530147760243]
  我々は,BD-PlantDXとともに,スクラッチから学習したコンパクトな畳み込みネットワークであるAgroVisNetを提案する。 BD-PlantDXでは、テスト精度は99.52%、重み付きF1は99.52%に達し、6つのImageNet推奨の軽量バックボーンを超える。 デプロイ用にエクスポートされたこのモデルは、0.46MBのフル整数ネットワークに0.22ポイントの精度で量子化し、1CPUで8.40msの画像を分類する。
  論文  参考訳（メタデータ） (2026-09-09T17:12:17Z)
• Toward Deployable Bangla Sign Language Recognition with Expert-Validated Data and a Lightweight Attention-Based Model [0.4526247154772785]
  RSBdSL38,10,874名の専門家による検証画像が38個のBdSLハンドサインにまたがって紹介される。 本稿では298,470個のパラメータからなる軽量な注意に基づく畳み込みネットワークを提案する。 96.37%の精度(95.72% +-0.54%の5つの種子)を達成し、9つのImageNet事前規制された効率的なアーキテクチャのうち、1.08ポイント以内である。
  論文  参考訳（メタデータ） (2026-08-06T16:41:22Z)
• The FID Lottery: Quantifying Hidden Randomness in Generative-Model Evaluation [55.62875959637507]
  本研究では,FIDを2軸パネル上のランダムな変数として扱う。 クラス条件の ImageNet 256x256 でトレーニングした数百の SiT ネットワーク上で,その分散を直接測定する。
  論文  参考訳（メタデータ） (2026-06-18T17:49:32Z)
• OPTED: Open Preprocessed Trachoma Eye Dataset Using Zero-Shot SAM 3 Segmentation [0.0]
  サハラ以南のアフリカは世界の負担の85%以上を占め、エチオピアだけでも全症例の半数以上を占めている。 しかし、自動トラコマ分類のための公開済みの事前処理データセットは乏しく、最も影響を受けた地域に由来するものはない。 本稿では,Segment Anything Model 3 (SAM3) を用いて構築した,オープンソースで事前処理されたトラコマアイデータセットであるOPTEDについて述べる。
  論文  参考訳（メタデータ） (2026-03-06T21:07:08Z)
• Autonomous AI Bird Feeder for Backyard Biodiversity Monitoring [0.0]
  本稿では,ベルギーの都市庭園における自律型裏庭鳥監視システムについて,低コストで検討する。 モーショントリガIPカメラがFTP経由でショートクリップをローカルサーバにアップロードし、フレームがサンプリングされ、鳥がDectron2でローカライズされる。 次に、収穫された領域は、より大きなKaggleコーパスから派生した40種のベルギーのサブセットに調整された効率的なNet-B3モデルによって分類される。
  論文  参考訳（メタデータ） (2025-08-13T00:27:22Z)
• Estimating the Diameter at Breast Height of Trees in a Forest With a Single 360 Camera [52.85399274741336]
  森林在庫は、生態モニタリング、資源管理、炭素会計のために、乳房の高さ(DBH)の直径の正確な測定に頼っている。 LiDARベースの技術はセンチメートル単位の精度を達成できるが、コストは抑えられ、運用上複雑である。 コンシューマグレードの360度ビデオカメラしか必要としない低価格の代替機を提示する。
  論文  参考訳（メタデータ） (2025-05-06T01:09:07Z)
• CLIPure: Purification in Latent Space via CLIP for Adversarially Robust Zero-Shot Classification [65.46685389276443]
  画像とテキストプロンプトをマッチングすることでゼロショット分類を行うことができる、視覚言語で事前訓練されたエンコーダモデルであるCLIPについて検討する。 次に, 共分散精製プロセス間のKL分散として精製リスクを定式化する。 画像の潜伏ベクトルの確率をモデル化するCLI-Diffと、画像の埋め込みとaの写真とのコサイン類似度をモデル化するCLI-Cosの2つのバリエーションを提案する。
  論文  参考訳（メタデータ） (2025-02-25T13:09:34Z)
• Dense Siamese Network [86.23741104851383]
  本稿では,Dense Siamese Network(DenseSiam)を提案する。 画像の2つのビュー間の類似性を最大化し、ピクセルの一貫性と領域の一貫性という2種類の一貫性を学習する。 最先端のセグメンテーション手法を2.1 mIoUで28%のトレーニングコストで上回っている。
  論文  参考訳（メタデータ） (2022-03-21T15:55:23Z)
• UniFormer: Unifying Convolution and Self-attention for Visual Recognition [69.68907941116127]
  畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、ここ数年で主要なフレームワークである。 コンボリューションと自己注意の利点を簡潔なトランスフォーマー形式にシームレスに統合する新しいUnified TransFormer(UniFormer)を提案する。 我々のUniFormerはImageNet-1K分類において86.3トップ1の精度を実現している。
  論文  参考訳（メタデータ） (2022-01-24T04:39:39Z)
• Automatic Quantification and Visualization of Street Trees [29.343663350855522]
  この研究はまず、道端の木を数えるために慎重に設計されたデータ収集のセットアップを説明します。 次に,木を頑健に検出・定量化することを目的とした,ユニークなアノテーション手法について述べる。 本稿では,現在のオブジェクト検出手法と,新しい単純なカウントアルゴリズムを用いて,ストリートツリーの検出,カウント,可視化を行うフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-17T18:44:46Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)

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。