論文の概要: BeeWhere: Segmenting Bumble Bee Colonies to Quantify Behavioral Effects

• arxiv url: http://arxiv.org/abs/2610.03051v1
• Date: Fri, 02 Oct 2026 09:32:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.300632
• Title: BeeWhere: Segmenting Bumble Bee Colonies to Quantify Behavioral Effects
• Title（参考訳）: BeeWhere:Bumble Beeのコロニーを分割して行動効果を定量化
• Abstract要約: 社会ミツバチは、世界中の生物多様性と作物の受粉を支援する重要な受粉者である。 既存のモニタリングでは、個々のアイデンティティを保存するためにフィデューシャルタグ(ArUcoなど)を使用しているが、マーカーが隠された場合にはタグベースのトラッキングが失敗する可能性がある。 本稿では、ArUco検出とディープラーニングインスタンスセグメンテーションを組み合わせたAI支援アノテーションおよび分析ワークフローBeeWhereを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Social bees are important pollinators that support biodiversity and crop pollination globally and serve as important model systems for collective behavior, but scalable measurement of individual- and colony-level behavior remains difficult in dense, occluded nest environments. Existing monitoring workflows use fiducial tags (e.g., ArUco) to preserve individual identity, yet tag-based tracking can fail when markers are obscured and provide limited information about body extent, spatial context, and untagged individuals. We present BeeWhere, an AI-assisted annotation and analysis workflow that combines ArUco detections with deep-learnt instance segmentations to quantify bumble bee behavior from high-resolution colony images and videos. Using bumble bee (Bombus impatiens) microcolonies as a test case, we annotate 483 frames containing 8,443 bee instances. We additionally annotate pollen balls, nest structures, and chamber boundaries, and train YOLO instance segmentation models for downstream behavioral analysis. Instance segmentations enable quantification of important behavioral metrics based on body contours, including nearest-neighbor distance, proximity to nest structures, spatial occupancy within the nest, and detection counts over time. We apply the BeeWhere models to tag-based tracking in an exploratory validation study assessing the behavioral impacts of neonicotinoid pesticide exposure. BeeWhere increased detection rates compared to tag-based tracking, particularly when bees were partially obscured or under challenging imaging conditions, and also captured treatment-associated changes in bee spatial organization not captured using tag-based tracking alone. These results suggest that instance segmentation can complement fiducial-marker tracking by recovering behaviorally meaningful signals under challenging colony conditions.
• Abstract（参考訳）: 社会ミツバチは、世界の生物多様性と作物の受粉を支え、集団行動の重要なモデルシステムとして機能する重要な受粉者である。 既存の監視ワークフローでは、個々のアイデンティティを保存するためにフィデューシャルタグ(例:ArUco)を使用しているが、マーカーが隠されたときにタグベースのトラッキングが失敗し、身体範囲、空間コンテキスト、未タグの個人に関する限られた情報を提供する。 我々は、ArUco検出と深層学習インスタンスセグメンテーションを組み合わせたAI支援アノテーションと分析ワークフローであるBeeWhereを紹介し、高解像度のコロニー画像やビデオからバブル蜂の振る舞いを定量化する。 試験ケースとしてBumble bee (Bombus impatiens) microcoloniesを用い,8,443個のミツバチインスタンスを含む483個のフレームを注釈した。 さらに, 花粉球, ネスト構造, チャンバ境界に注釈を付け, 下流行動解析のためのYOLOインスタンスセグメンテーションモデルを訓練する。 インスタンスセグメンテーションは、最寄りの距離、ネスト構造への近接、ネスト内の空間的占有、時間経過による検出など、身体の輪郭に基づく重要な行動メトリクスの定量化を可能にする。 本研究は,ネオニコチノイド系殺虫剤曝露の行動への影響を評価するための探索的検証研究において,BeeWhereモデルを適用した。 BeeWhere increased detection rate than tag-based tracking, especially when bees were partial darkd or under challenge imaging conditions, and captured treatment-associated changes in bee space organization not captured using tag-based tracking alone。 これらの結果から, コロニー環境下での行動に有意な信号を回復することにより, インスタンスセグメンテーションがフィジュアルマーカー追跡を補完する可能性が示唆された。

関連論文リスト

• Cross-Modal Corroboration for Annotation-Free Wildlife Monitoring [0.29891208411734166]
  実際の環境保全デプロイメントのための野生生物監視のスケーリングには、重度のアノテーション不足の下で機能するスマートセンサーの自動分析が必要である。 本稿では,マルチモーダルモニタリングパイプラインのアノテーションのない検証信号として,種活動パターンのエキスパート知識を活用することを提案する。 我々は,このパイプラインをミウルシカの繁殖群落で検証し,両モダリティが既知のシカの行動生態と一致した活動パターンを独立に回復することを示した。
  論文  参考訳（メタデータ） (2026-06-19T17:17:31Z)
• kabr-tools: Automated Framework for Multi-Species Behavioral Monitoring [4.303185550812535]
  自動多種行動監視のためのオープンソースパッケージであるkabr-toolsを提案する。 このフレームワークは、ドローンベースのビデオと機械学習システムを統合し、野生動物の映像から行動、社会的、空間的メトリクスを抽出する。 地上からの観測に比べて、ドローンによる観測は行動の粒度を大幅に改善し、視界の損失を15%削減した。
  論文  参考訳（メタデータ） (2025-10-02T14:03:55Z)
• BuzzSet v1.0: A Dataset for Pollinator Detection in Field Conditions [4.696111119794421]
  実地条件下で収集した高分解能受粉体画像の大規模データセットについて述べる。 BuzzSetには、7,856枚の手動検証画像があり、3つのクラス(ミツバチ、バンブルビー、未確認昆虫)に8000以上の注釈付きインスタンスがある。 このモデルは、ミツバチとバンブルビーのF1スコア0.94と0.92の強い分類精度を達成し、これらの分類の混乱を最小限に抑える。
  論文  参考訳（メタデータ） (2025-08-27T10:40:15Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Persistent Animal Identification Leveraging Non-Visual Markers [71.14999745312626]
  乱雑なホームケージ環境下で各マウスにユニークな識別子を時間をかけて発見し提供することを目的としている。 これは、(i)各マウスの視覚的特徴の区別の欠如、(ii)一定の閉塞を伴うシーンの密閉性のため、非常に難しい問題である。 本手法は, この動物識別問題に対して77%の精度を達成し, 動物が隠れているときの急激な検出を拒否することができる。
  論文  参考訳（メタデータ） (2021-12-13T17:11:32Z)
• Intersection Regularization for Extracting Semantic Attributes [72.53481390411173]
  本稿では,ネットワーク抽出した特徴が意味属性のセットと一致するように,教師付き分類の問題を考える。 例えば、鳥類のイメージを種に分類することを学ぶとき、動物学者が鳥類を分類するために使用する特徴の出現を観察したい。 本稿では,複数層パーセプトロン(MLP)と並列決定木を併用した,離散的なトップレベルアクティベーションを持つニューラルネットワークのトレーニングを提案する。
  論文  参考訳（メタデータ） (2021-03-22T14:32:44Z)

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。