論文の概要: A unified three-branch deep learning framework for automated detection and counting of wildlife in aerial imagery

• arxiv url: http://arxiv.org/abs/2610.17067v1
• Date: Mon, 12 Oct 2026 16:30:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 03:25:36.889167
• Title: A unified three-branch deep learning framework for automated detection and counting of wildlife in aerial imagery
• Title（参考訳）: 航空画像における野生生物の自動検出・カウントのための統合3枝深層学習フレームワーク
• Abstract要約: 本研究ではWildSeg,WildMatch,WildDetを通じてタスクを統合する3分岐のディープラーニングフレームワークを提案する。 南スーダンのグレート・ナイル・マイグレーション・ランドスケープから得られた4種のアンテロープの斜め空中画像を用いて,その枠組みを評価した。
• 参考スコア（独自算出の注目度）: 0.7026005811627298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automating aerial wildlife surveys requires reliable animal detection, consistent delineation of observation strips, and correction for repeated coverage between successive images. We present a unified three-branch deep learning framework that integrates these tasks through WildSeg, WildMatch and WildDet. WildSeg combines rod segmentation with geometric refinement to delineate counting strips from aircraft-mounted markers. WildMatch uses teacher-student distillation to learn dense image correspondences and identify overlapping survey areas without relying on geolocation metadata. WildDet combines dual-scale detection with feature fusion, density supervision and empty-image gating to support animal detection and counting. We evaluated the framework using oblique aerial imagery of four antelope species from the Great Nile Migration Landscape in South Sudan. WildSeg achieved reliable rod extraction, while WildMatch approached teacher-level accuracy with a substantially lighter and faster model. Both modules maintained high accuracy on resized images, improving processing efficiency. WildDet improved detection performance across all four species and reduced detection-based count MAE, RMSE and mean bias by 21.0%, 4.6% and 27.8%, respectively, relative to YOLO11. By connecting spatial survey constraints with animal detection, the framework provides a practical and computationally efficient approach to processing large aerial image collections for wildlife monitoring and population surveys.
• Abstract（参考訳）: 航空野生生物調査の自動化には、動物検出の信頼性、観察ストリップの一貫した記述、連続した画像間の繰り返しカバレッジの補正が必要である。 本研究では,WildSeg,WildMatch,WildDetを通じてこれらのタスクを統合する3分岐のディープラーニングフレームワークを提案する。 WildSegはロッドセグメンテーションと幾何学的精細化を組み合わせることで、航空機に搭載されたマーカーから数えるストリップをデライン化している。 WildMatchは教師による蒸留を使って高密度画像の対応を学習し、位置情報のメタデータに頼ることなく重複する調査エリアを特定する。 WildDetは、デュアルスケール検出と機能融合、密度監視、空画像ゲーティングを組み合わせることで、動物検出とカウントをサポートする。 南スーダンのグレート・ナイル・マイグレーション・ランドスケープから得られた4種のアンテロープの斜め空中画像を用いて,その枠組みを評価した。 WildSegは信頼性の高いロッド抽出を実現し、WildMatchはより軽量で高速なモデルで教師レベルの精度にアプローチした。 どちらのモジュールも解像度を高く保ち、処理効率が向上した。 WildDetは4種すべてに対する検出性能を改善し、検出ベースカウントMAE、RMSE、平均バイアスを21.0%、4.6%、27.8%削減した。 空間調査の制約と動物検出を結びつけることにより、野生生物のモニタリングと人口調査のために大規模な航空画像収集を処理するための実用的で効率的な手法を提供する。

関連論文リスト

• Spotted: Location-informed Reidentification of Hyenas and Leopards in Camera Trap Surveys [13.543644881695988]
  本稿では、カメラの位置から得られる時間的実現可能性と視覚的類似性を統合する、位置インフォームされた、ループ内動物型ReIDフレームワークを提案する。 我々のモデルでは、SpottedID102、SpottedHyenaID109、SpottedHyenaID415データセットのベースラインに対して、平均トップ5識別精度を9pp、2pp、9ppで改善しています。
  論文  参考訳（メタデータ） (2026-07-01T11:33:37Z)
• RareSpot+: A Benchmark, Model, and Active Learning Framework for Small and Rare Wildlife in Aerial Imagery [9.37940568498261]
  RareSpot+は、マルチスケールの一貫性学習、コンテキスト認識の強化、地理的にガイドされたアクティブラーニングを統合する、検出フレームワークである。 2 km2の航空データセットでは、RareSpot+はmAP@50を+35.2%(絶対+0.13)で検出する。 アクティブラーニングモジュールは、未ラベルタイルのわずか1.7%のアノテーション予算を使用して、プレーリードッグAPをさらに14.5%向上させる。
  論文  参考訳（メタデータ） (2026-04-21T21:18:02Z)
• No Mesh, No Problem: Estimating Coral Volume and Surface from Sparse Multi-View Images [45.20850219249498]
  有効なサンゴ礁のモニタリングには、正確な体積と表面積の推定によるサンゴの成長の定量化が必要である。 本稿では,2次元マルチビューRGB画像からサンゴのような物体の3次元体積と表面積を予測することによって,この問題に対処する,新しい,軽量でスケーラブルな学習フレームワークを提案する。 このフレームワークは、スパース画像から効率よくスケーラブルなサンゴの形状を推定する方法を開拓し、サンゴの成長分析やサンゴのモニタリングに応用できる可能性がある。
  論文  参考訳（メタデータ） (2025-09-14T08:52:01Z)
• Cross3DReg: Towards a Large-scale Real-world Cross-source Point Cloud Registration Benchmark [57.42211080221526]
  異なるセンサーからのポイントクラウドデータを整列することを目的とした、クロスソースのポイントクラウド登録は、3Dビジョンの基本的なタスクである。 ディープ登録モデルをトレーニングするための大規模な実世界のデータセットが公開されていないことや、複数のセンサーによってキャプチャされたポイントクラウド固有の違いが課題となっている。 現在世界最大のマルチモーダル・クロスソース・クラウド登録データセットであるCross3DRegを構築している。 クロスソース・ポイント・クラウド機能の整合性を高めるために,ビジュアル・ジオメトリ・アテンションガイド付きマッチングモジュールを提案する。
  論文  参考訳（メタデータ） (2025-09-08T09:01:13Z)
• RareSpot: Spotting Small and Rare Wildlife in Aerial Imagery with Multi-Scale Consistency and Context-Aware Augmentation [6.756718879272925]
  RareSpotは、マルチスケールの一貫性学習とコンテキスト認識強化を統合した堅牢な検出フレームワークである。 提案手法は最先端性能を実現し,ベースライン法と比較して検出精度を35%以上向上させる。
  論文  参考訳（メタデータ） (2025-06-23T20:03:43Z)
• Multimodal Foundation Models for Zero-shot Animal Species Recognition in Camera Trap Images [57.96659470133514]
  モーションアクティベートカメラトラップは、世界中の野生生物を追跡・監視するための効率的なツールである。 教師付き学習技術は、そのような画像を分析するためにうまく展開されているが、そのような訓練には専門家のアノテーションが必要である。 コストのかかるラベル付きデータへの依存を減らすことは、人間の労働力を大幅に減らした大規模野生生物追跡ソリューションを開発する上で、大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-11-02T08:32:00Z)
• Object counting from aerial remote sensing images: application to wildlife and marine mammals [4.812718493682454]
  人類形成活動は野生生物や海洋動物相に脅威をもたらす。 本研究は、深層学習技術を用いて、動物の計数作業を自動化する。 複雑な画像背景条件にもかかわらず、モデルは正確に動物を特定する。
  論文  参考訳（メタデータ） (2023-06-17T23:14:53Z)
• Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
  本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。 教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
  論文  参考訳（メタデータ） (2022-03-07T19:02:26Z)
• SEA: Bridging the Gap Between One- and Two-stage Detector Distillation via SEmantic-aware Alignment [76.80165589520385]
  細粒度情報を抽象化する性質から,SEA (SEmantic-Aware Alignment) 蒸留法を命名した。 1段検出器と2段検出器の両方において、挑戦的な物体検出タスクにおいて、最先端の新たな結果が得られる。
  論文  参考訳（メタデータ） (2022-03-02T04:24:05Z)
• Detecting Cattle and Elk in the Wild from Space [6.810164473908359]
  衛星画像中の大きな黄体を位置決めし、数えることが生態学研究を支える重要な課題である。 画像中の動物数(カウント)を同時に推定し,その位置をピクセルレベルで(ローカライズ)予測するベースライン手法であるCowNetを提案する。 本稿では,カリフォルニア州ポイント・レーズ海浜の大規模景観における結果モデルの時間的一般化を特に検証する。
  論文  参考訳（メタデータ） (2021-06-29T14:35:23Z)
• AdaZoom: Adaptive Zoom Network for Multi-Scale Object Detection in Large Scenes [57.969186815591186]
  大規模なシーンの検出は、小さなオブジェクトと極端なスケールの変動のために難しい問題である。 本稿では,物体検出のための焦点領域を適応的に拡大するために,フレキシブルな形状と焦点長を有する選択的拡大器として,新しい適応型Zoom(AdaZoom)ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-19T03:30:22Z)

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。