論文の概要: Unlabeled Echoes: Pseudo-Labels and Genus-Aware Smoothing for Bat Call Recognition

• arxiv url: http://arxiv.org/abs/2609.11986v1
• Date: Tue, 08 Sep 2026 09:40:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.479193
• Title: Unlabeled Echoes: Pseudo-Labels and Genus-Aware Smoothing for Bat Call Recognition
• Title（参考訳）: 未ラベルエコー:バスコール認識のための擬似ラベルと遺伝子認識の平滑化
• Abstract要約: モデル生成による単純な擬似ラベルは、この余剰を効果的に監督することを示します。 擬似ラベル法と18種のヨーロッパ人コーパスを用いた半教師あり学習法を比較した。 Pseudo-labelingは、ヨーロッパのすべての指標において、他の半教師付き学習方法よりも優れています。
• 参考スコア（独自算出の注目度）: 47.7282395820107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Passive acoustic monitoring produces far more bat recordings than experts can label. We show that simple model-generated pseudo-labels turn this surplus into effective supervision. We compare pseudo-labeling with other semi-supervised learning methods on an 18-species European corpus using only 10% of its training labels, then transfer the strongest approaches to South African field audio containing nine bat taxa and a nuisance class. Pseudo-labeling outperforms the other semi-supervised learning methods on every European measure, recovering up to 61.5% of the gap to full supervision. It transfers to field audio with gains of 10.69 points in species accuracy and 4.96 points in species macro-F1. We also introduce genus-aware smoothing, which directs uncertain target mass toward congeneric species. Combined with uniform smoothing, it reaches 79.16 species macro-F1, 4.73 points above hard targets. Simple pseudo-labels are therefore highly effective at this ecological data scale, while genus-aware targets inject useful biological structure at no annotation cost. https://code4conservation.github.io/UnlabeledEchoes/
• Abstract（参考訳）: 受動的音響モニタリングは、専門家がラベル付けできるよりもはるかに多くのバット記録を生成する。 モデル生成による単純な擬似ラベルは、この余剰を効果的に監督することを示します。 擬似ラベル法と擬似ラベル法の比較を行い, トレーニングラベルの10%しか使用せず, 9つのコウモリ分類群とニュアンスクラスを含む最強のアプローチを南アフリカのフィールドオーディオに転送した。 Pseudo-labelingはヨーロッパのすべての指標において、他の半教師付き学習方法よりも優れており、完全な監督のために最大61.5%のギャップを回復している。 種の精度は10.69ポイント、種のマクロF1では4.96ポイント、フィールドオーディオに転送される。 また,同系種に対して不確実な目標質量を誘導するスムースティングも導入した。 均一な平滑化と組み合わさって、79.16種のマクロF1、硬度目標の4.73ポイントに達する。 したがって、単純な擬似ラベルは、この生態学的データスケールで非常に効果的であるが、属認識対象は、アノテーションのコストなしで有用な生物学的構造を注入する。 https://code4conservation.github.io/UnlabeledEchoes/

関連論文リスト

• Decoding Insect Song: A Multitask Semisupervised Orthoptera Bioacoustic Classifier [0.6524460254566904]
  PULSEはオルソプテラ生物音響学のための半教師付きマルチタスクフレームワークである。 弱教師付き種分類、未学習のフィールドオーディオの自己教師型学習、汎用バイオ音響モデルからの知識蒸留を組み合わせている。
  論文  参考訳（メタデータ） (2026-06-11T11:51:49Z)
• Efficient Brood Cell Detection in Layer Trap Nests for Bees and Wasps: Balancing Labeling Effort and Species Coverage [1.2508502162035755]
  層トラップ巣(LTN)は、野生のミツバチやハチの豊富さと種多様性を研究する貴重な道具として出現している。 血液細胞を検出・分類するためのLTNを手動で評価することは、労働集約的で時間を要する。 LTNにおける効率的な血液細胞検出と分類のためのディープラーニングに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:21:30Z)
• DiCaP: Distribution-Calibrated Pseudo-labeling for Semi-Supervised Multi-Label Learning [83.94574004953346]
  半教師付きマルチラベル学習は、ラベルのないデータを活用してモデルの性能を向上させることを目的としている。 既存の手法の多くは、その品質に関わらず、すべての擬似ラベルに等しい重みを割り当てる。 擬似ラベル重みの校正に後部精度を推定する正当性認識フレームワークDiCaPを提案する。
  論文  参考訳（メタデータ） (2025-11-25T11:55:02Z)
• Hierarchical Re-Classification: Combining Animal Classification Models with Vision Transformers [0.0]
  動物検出プラットフォームのための階層的再分類システムを提案する。 私たちの5段階パイプラインは、LILA BC Desert Lion Conservationデータセットのセグメントで評価されます。 ブランク」ラベルと「アニマル」ラベルから761羽の鳥検出を回収した後、96.5%の精度で動物、哺乳類、空白の456羽の鳥検出を分類した。
  論文  参考訳（メタデータ） (2025-10-16T11:57:07Z)
• ECOSoundSet: a finely annotated dataset for the automated acoustic identification of Orthoptera and Cicadidae in North, Central and temperate Western Europe [51.82780272068934]
  ECOSoundSet (European Cicadidae and Orthoptera Sound dataSet) は,北欧,中央ヨーロッパ,温帯西ヨーロッパに分布する200種,24種(亜種を含む場合,それぞれ217種,26種)から10,653種を収録したデータセットである。 このデータセットは、北ヨーロッパ、中央ヨーロッパ、温帯ヨーロッパにおけるオルソプターとシカダの音響分類のための深層学習アルゴリズムの訓練のために、既にオンラインで入手可能な記録に意味のある補完となる可能性がある。
  論文  参考訳（メタデータ） (2025-04-29T13:53:33Z)
• Taking it further: leveraging pseudo labels for field delineation across label-scarce smallholder regions [2.8120847363433654]
  本研究は、地理とセンサ特性を横断する微調整モデルにスパースフィールドデライン付き擬似ラベルを使用する機会について検討する。 本研究では,インドにおける作物の作付けを訓練したフラクタルResUNetを構築し,この事前学習モデルを用いてモザンビークの擬似ラベルを生成する。 次に、人間の注釈付きラベルと擬似ラベルをモデル微調整に使用し、人体アノテーションに対する予測を比較した。
  論文  参考訳（メタデータ） (2023-12-12T08:39:07Z)
• LEOD: Label-Efficient Object Detection for Event Cameras [25.799170829163845]
  イベントカメラによるオブジェクト検出は、センサーの低レイテンシと高ダイナミックレンジの恩恵を受ける。 時間分解能が高いため、教師付きトレーニングのためにイベントストリームを完全にラベル付けするのはコストがかかる。 本稿では,ラベル効率の高いイベントベース検出手法LEODを提案する。
  論文  参考訳（メタデータ） (2023-11-29T00:09:45Z)
• End-to-End Semi-Supervised Object Detection with Soft Teacher [63.26266730447914]
  本稿では,従来の複雑な多段階法とは対照的に,終端から終端までの半教師付き物体検出手法を提案する。 提案手法は, 種々のラベル付け比において, 従来手法よりも大きなマージンで性能を向上する。 最先端のSwin Transformerベースの物体検出器では、検出精度を+1.5 mAPで大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-06-16T17:59:30Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for Semi-Supervised Learning [53.1047775185362]
  Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。 PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。 そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-15T23:29:57Z)

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。