論文の概要: CUBE: Class-conditioned Unknown Boundary Evidence for Open-Set Insect Species Recognition

• arxiv url: http://arxiv.org/abs/2610.13610v1
• Date: Fri, 09 Oct 2026 13:57:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.610425
• Title: CUBE: Class-conditioned Unknown Boundary Evidence for Open-Set Insect Species Recognition
• Title（参考訳）: CUBE:オープンセット昆虫種認識のためのクラス条件未知境界エビデンス
• Abstract要約: クラス・コンディションド・アンノウン・バウンダリ・エビデンス(CUBE)は、既知の各種について未知をモデル化するエビデンスベースのフレームワークである。 CUBEは補助種からクラス条件境界証拠を学び、推論中に補助種を影参照として保存する。 CUBEは、95.8%、98.7%、99.1%のAUROCを、局所的、非局所的、非マウス的スプリットで上回るパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 16.62328358200303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-set insect species recognition faces significant challenges when deployed in real-world biodiversity scenarios, particularly when encountering unknown species that are visually close to known training classes. Unlike generic out-of-distribution samples, fine-grained unknown insects are often not visually anomalous. They instead tend to appear near the decision boundary of specific known species, leading to unreliable closed-set predictions. To address these challenges, we propose \textbf{Class-conditioned Unknown Boundary Evidence (CUBE)}, a novel evidence-based framework that models unknownness around each known species rather than as a single global unknown class. Our key idea is to evaluate a test sample relative to the known species it most closely resembles, enabling local rejection for visually confusable unknown insects. CUBE learns class-conditioned boundary evidence from auxiliary species, preserves auxiliary species as shadow references during inference, and incorporates taxonomic candidate calibration to verify biological plausibility. When ecological metadata is available, we further introduce CUBE-E, which adds a lightweight location-consistency term without modifying the visual backbone. Experiments on the Open-Insect C-America benchmark show that CUBE achieves superior performance, outperforming state-of-the-art baselines with 95.8\%, 98.7\%, and 99.1\% AUROC on local, non-local, and non-moth unknown splits, respectively, while maintaining 94.9\% closed-set accuracy. With ecological metadata, CUBE-E further improves the results to 96.0\%, 99.7\%, and 99.5\% AUROC with 95.2\% closed-set accuracy.
• Abstract（参考訳）: オープンセットの昆虫種認識は、現実世界の生物多様性シナリオに展開する際、特に既知の訓練クラスと視覚的に近い未知の種に遭遇するとき、重大な課題に直面している。 一般的なアウト・オブ・ディストリビューションのサンプルとは異なり、きめ細かい未知の昆虫は視覚的に異常ではないことが多い。 代わりに、特定の既知の種の決定境界付近に現れる傾向があり、信頼できないクローズドセットの予測につながる。 これらの課題に対処するために、単一のグローバルな未知のクラスとしてではなく、既知の各種について未知性をモデル化する新しいエビデンスベースのフレームワークである \textbf{Class-conditioned Unknown Boundary Evidence (CUBE) を提案する。 私たちのキーとなるアイデアは、最もよく似ている既知の種と比較してテストサンプルを評価することであり、視覚的に不明瞭な未知の昆虫を局所的に拒絶することを可能にします。 CUBEは、補助種からクラス条件境界証拠を学習し、推論中に補助種を影参照として保存し、生物学的妥当性を検証するために分類学的候補校正を取り入れている。 生態メタデータが利用可能である場合には、視覚的バックボーンを変更することなく、軽量な位置整合項を追加するCUBE-Eを導入する。 Open-Insect C-Americaベンチマークの実験では、CUBEは、95.8\%、98.7\%、99.1\%のAUROCをローカル、非ローカル、非マウスのスプリットで達成し、94.9\%のクローズドセット精度を維持しながら、優れたパフォーマンスを実現している。 生態学的メタデータにより、CUBE-Eはさらに96.0\%、99.7\%、99.5\% AUROCを95.2\%のクローズドセット精度で改善する。

関連論文リスト

• Cross-Species Animal Re-Identification with Semantic Consistency Learning [49.843830441987684]
  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。
  論文  参考訳（メタデータ） (2026-09-09T04:41:01Z)
• ChiroEcho: extending automated bat vocalisation classification beyond the learned taxonomy [2.9676169191886235]
  コウモリは生態系の健康にとって重要な指標であり、ヨーロッパ全土で保護されている。 本稿では,種と属を共同で予測し,属の予測と地理的種の分布を推論で組み合わせた深層学習フレームワークを提案する。 これは、分類器の効果的な分類法を制約するのではなく、拡張する手段として地理情報を再構成する。
  論文  参考訳（メタデータ） (2026-08-18T12:38:51Z)
• SGMCE: Segment-Grounded Morphological Concept Explanation for Malaria Parasite Species Identification in Thick Blood Smears [0.19116784879310025]
  内因性領域におけるマラリアの診断は、厚い血液スミアにおけるプラスモジウム原虫の種レベルでの同定に依存する。 SGMCEは, 深層スミア形態に固定された検出毎の自然言語説明を生成する, ポストホックな説明フレームワークである。 説明は、知識ベース一貫性(KBC)、CV-Claim Faithfulness(CCF)、差別性スコア(DS)、LCM-as-Judge(LL)の4つの自動指標によって検証される。
  論文  参考訳（メタデータ） (2026-07-15T12:12:21Z)
• Community-aware evaluation and threshold calibration for open-set plankton image recognition [3.9551326054249256]
  オープンセット認識法は通常、AUROC、AUPR、FPR@95%未知の操作点などのサンプルレベルのメトリクスで評価される。 本研究では,制御された擬似コミュニティと3つのデータセットのミスマッチについて検討した。
  論文  参考訳（メタデータ） (2026-05-15T10:42:28Z)
• TerraIncognita: A Dynamic Benchmark for Species Discovery Using Frontier Models [15.272215321742802]
  昆虫種発見の現在の方法は、手動、遅く、分類学の専門知識によって厳しく制限されている。 本稿では,現状のマルチモーダルモデルを評価するためのベンチマークであるTerraIncognitaを紹介する。 我々のベンチマークデータセットは、フロンティアAIモデルとして知られる昆虫の注釈付き画像と、希少であまり知られていない種の画像を組み合わせたものです。
  論文  参考訳（メタデータ） (2025-05-29T15:20:15Z)
• Feedforward Few-shot Species Range Estimation [61.60698161072356]
  特定の種が地球上でどこで発見できるかを知ることは、生態学の研究と保全に不可欠である。 正確な射程推定は 知られている全ての種の 比較的小さな割合でしか 利用できない 我々は、限られたデータから種の範囲を正確に推定するという課題に対処するために、数発の種範囲推定の新しいアプローチを概説する。
  論文  参考訳（メタデータ） (2025-02-20T19:13:29Z)
• Boosting Few-Shot Open-Set Object Detection via Prompt Learning and Robust Decision Boundary [10.054397736100245]
  FOOD(Open-set Object Detection)は、多くのオープンワールドシナリオにおいて課題となる。 訓練サンプルが不足している未知の物体を拒絶しながら、既知の物体を検出するためにオープンセット検出器を訓練することを目的としている。 本手法は,従来の最先端手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-06-26T15:48:24Z)
• Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
  ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。 従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。 本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
  論文  参考訳（メタデータ） (2023-06-05T03:36:01Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)

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。