論文の概要: Cross-Species Animal Re-Identification with Semantic Consistency Learning

• arxiv url: http://arxiv.org/abs/2609.09705v1
• Date: Wed, 09 Sep 2026 04:41:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.901623
• Title: Cross-Species Animal Re-Identification with Semantic Consistency Learning
• Title（参考訳）: 意味的一貫性学習を用いた異種動物再同定
• Abstract要約: ReID (Generalizable Animal Re-Identification) は、様々な形態と生態学的文脈を持つ種間で個々の動物を識別することを目的としている。 ReIDとは異なり、動物種は解剖学的構造や視覚パターンが著しく異なるため、共通の視覚的対応を確立することは困難である。 本稿では, 外観の変動に対して安定な表現を学習するためのフレームワークであるセマンティック一貫性学習(SCL)を提案する。
• 参考スコア（独自算出の注目度）: 49.843830441987684
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Generalizable animal Re-Identification (ReID) aims to recognize individual animals across species with diverse morphologies and ecological contexts. Unlike person ReID, where different domains share similar body structures, animal species often exhibit drastically different anatomical structures and visual patterns, making it difficult to establish shared visual correspondences. As a result, representations learned across species tend to form fragmented embedding spaces, which severely limits cross-species generalization. To address this challenge, we propose Semantic Consistency Learning (SCL), a framework designed to learn representations that remain stable across appearance variations while preserving semantic structures shared across species. SCL consists of two complementary components. Foreground-Background Decoupled Spectral Normalization (FDSNorm) stabilizes feature statistics by suppressing environment-induced style variations in a region-aware manner, while Cross-species Neighborhood Modeling (CNM) captures transferable relational structures across species through dynamic feature neighborhoods. Extensive experiments on 11 public animal ReID datasets demonstrate that SCL consistently outperforms state-of-the-art methods under multiple cross-species evaluation protocols and generalizes effectively to previously unseen species and ecological domains. Code is available at https://github.com/Kemalau/ECCV-26-SCL.
• Abstract（参考訳）: ReID (Generalizable Animal Re-Identification) は、様々な形態と生態学的文脈を持つ種間で個々の動物を識別することを目的としている。 異なるドメインが類似した身体構造を共有するReIDとは異なり、動物種は解剖学的構造と視覚的パターンが著しく異なるため、共通の視覚的対応を確立することは困難である。 その結果、種間で学習された表現は断片化された埋め込み空間を形成し、種間の一般化を著しく制限する傾向にある。 この課題に対処するために,種間で共有される意味構造を保ちながら,外観の変化に対して安定な表現を学習するためのフレームワークであるセマンティック一貫性学習(SCL)を提案する。 SCLは2つの相補的なコンポーネントから構成される。 前景・背景分離スペクトル正規化(FDSNorm)は、環境に配慮したスタイルの変動を抑え、特徴統計を安定化させる一方、CNMは動的特徴地区を通じて種間の伝達可能な関係構造を捉えている。 11種の公開動物ReIDデータセットの大規模な実験により、SCLは複数の種間評価プロトコルの下で一貫して最先端の手法を上回り、これまで見つからなかった種や生態ドメインに効果的に一般化することを示した。 コードはhttps://github.com/Kemalau/ECCV-26-SCLで公開されている。

関連論文リスト

• DS@GT ARC at AnimalCLEF 2026: Species-Aware Graph Construction for Multi-Species Animal Re-Identification [0.0]
  AnimalCLEF 2026へのDS@GT ARCの提出では、再識別のための多種画像クラスタリングシステムが導入されている。 単一の記述子や最寄りの検索に頼る代わりに、このアプローチは種対応グラフ構築として再同定を定式化する。
  論文  参考訳（メタデータ） (2026-07-17T18:49:49Z)
• PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
  そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-01T01:43:48Z)
• MS-CLR: Multi-Skeleton Contrastive Learning for Human Action Recognition [49.91188543847175]
  Multi-Skeleton Contrastive Learning (MS-CLR)は、同じシーケンスから抽出された複数のスケルトン規則間でポーズ表現を整列するフレームワークである。 MS-CLRは、強いシングルスケルトンコントラスト学習ベースラインよりも一貫してパフォーマンスを向上する。 マルチスケルトンアンサンブルはパフォーマンスをさらに向上させ、両方のデータセットに新たな最先端結果を設定する。
  論文  参考訳（メタデータ） (2025-08-20T17:58:03Z)
• CISO: Species Distribution Modeling Conditioned on Incomplete Species Observations [31.010868781061006]
  種分布モデル(SDM)は、種の地理的分布を予測するために広く用いられている。 CSISは、不完全種観測に基づく種分布モデリングのための深層学習に基づく手法である。 我々は,異なる種群を表す3つのデータセットを用いたアプローチを実証した。植物のためのsOpen,鳥類のためのSatBird,蝶のためのSatButterfly。
  論文  参考訳（メタデータ） (2025-08-08T21:15:12Z)
• BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [60.80381372245902]
  生体視覚モデルでは,大規模コントラスト視覚言語学習により創発的行動が観察される。 我々は、異なる種を区別するために、TreeOfLife-200MでBioCLIP 2を訓練する。 得られたBioCLIP 2の埋め込み空間における創発的特性を同定する。
  論文  参考訳（メタデータ） (2025-05-29T17:48:20Z)
• G2PDiffusion: Cross-Species Genotype-to-Phenotype Prediction via Evolutionary Diffusion [108.94237816552024]
  本稿では,DNAから形態像を生成する最初の遺伝子型対フェノタイプ拡散モデル(G2PDiffusion)を提案する。 本モデルは,1)保存および共進化パターンを識別するMSA検索エンジン,2)複雑なジェノタイプ-環境相互作用を効果的にモデル化する環境対応MSA条件エンコーダ,3)遺伝子型-フェノタイプ整合性を改善する適応型表現的アライメントモジュールを含む。
  論文  参考訳（メタデータ） (2025-02-07T06:16:31Z)
• An Individual Identity-Driven Framework for Animal Re-Identification [15.381573249551181]
  IndivAIDはAnimal ReID用に特別に設計されたフレームワークである。 画像特異的で個人固有のテキスト記述を生成し、動物画像を通して個々の視覚概念をフルにキャプチャする。 8つのベンチマークデータセットと現実世界のStoatデータセットにわたる最先端メソッドに対する評価は、IndivAIDの有効性と適用性を示している。
  論文  参考訳（メタデータ） (2024-10-30T11:34:55Z)

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。