論文の概要: Three LiDARs, Twenty-Five Datasets: Cross-Source Generalization in Tree-Species Recognition
- arxiv url: http://arxiv.org/abs/2610.22606v1
- Date: Thu, 15 Oct 2026 20:07:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.654939
- Title: Three LiDARs, Twenty-Five Datasets: Cross-Source Generalization in Tree-Species Recognition
- Title（参考訳）: 3つのLiDAR、205データセット:木種認識におけるクロスソース一般化
- Abstract要約: FOR-species20Kは、木種分類のための最大のLiDARベンチマークである。
我々は、公式な隠蔽テストの精度を79.5%から85.0%に向上するマルチ解像度のマルチビューConvNeXtV2モデルを導入する。
その結果、85%のリーダーボードスコアは、分配性能が強いが、ソース不一致の一般化の見積もりにはならないことが判明した。
- 参考スコア（独自算出の注目度）: 14.377332218510743
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: FOR-species20K is the largest public LiDAR benchmark for tree-species classification, pooling 25 independently collected terrestrial, mobile, and airborne laser-scanning datasets across 33 species. We introduce a multi-resolution, multi-view ConvNeXtV2 model that improves official hidden-test accuracy from 79.5% to 85.0%, ranking first at the time of submission. We then examine what this score measures. Because the hidden test is species-balanced, its overall accuracy is more comparable to a macro metric than to accuracy under the public set's long-tailed distribution. Moreover, the official random split places every source dataset in both training and evaluation. A logistic probe recovers source identity from out-of-fold model probabilities with 69% accuracy, while geometric features identify the source above 90% within two widely shared species; 18 of the 33 species occur in only one source. Under a source-species-cell holdout, evaluated on 5,566 trees from eight eligible species that retain the same LiDAR-type training support in other sources, the unweighted species mean falls from 82% to 36%, and tree-weighted accuracy falls from 95% to 60%. Count-matched retraining and experiments with two alternative backbones indicate that this gap is not explained by reduced training support alone, while an external PureForest experiment shows a smaller but consistent grouped-split effect. These results establish the 85% leaderboard score as strong in-distribution performance, but not as an estimate of source-disjoint generalization, motivating balanced metrics and source-aware evaluation. The code is available at: https://github.com/JaeLee18/FOR20K-lidar-tree-species
- Abstract（参考訳）: FOR-species20Kは、樹種分類のための最大のLiDARベンチマークであり、33種にわたる地上、移動、空中レーザースキャンデータセットを独立して25個プールしている。
我々は,多解像度のマルチビュー ConvNeXtV2 モデルを導入し,公式な隠蔽テストの精度を 79.5% から 85.0% に改善し,提出時に最初にランク付けする。
次に、このスコアが何を測るかを調べます。
隠れたテストは種平衡であるため、その全体的な精度は、公開集合の長い尾の分布の下での精度よりもマクロ計量に匹敵する。
さらに、公式のランダムスプリットは、トレーニングと評価の両方ですべてのソースデータセットを配置する。
ロジスティックプローブは、69%の精度でアウト・オブ・フォールドモデルの確率からソースのアイデンティティを復元し、幾何学的特徴は2つの広く共有されている種の中で90%以上のソースを識別する。
他の資料では、同じLiDAR型トレーニングサポートを保有する8種の木から5,566本を調査した結果、未加重種は82%から36%に減少し、樹木の重み付け精度は95%から60%に低下した。
カウントマッチングのトレーニングと2つのバックボーンによる実験は、このギャップがトレーニングサポートの削減だけで説明されていないことを示している。
これらの結果は、85%のリーダーボードスコアを強い分配性能として確立するが、ソース不一致の一般化、モチベーションのバランスの取れたメトリクスとソース認識評価の見積もりにはならない。
コードは、https://github.com/JaeLee18/FOR20K-lidar-tree-speciesで入手できる。
関連論文リスト
- Historical-Feature Residual Adaptation for Sequential Screening [4.656188767198098]
収集時間残差適応について検討する: 固定された歴史的特徴から構築され、フィードバックが発覚する前に記録されたベーススコアに固定された小さなランキング補正を行う。
その結果, 基礎モデルに依存した利得を有する独立非線形ベースへの効果的な事前学習・政策適応と有効移行が示された。
論文 参考訳（メタデータ） (2026-10-13T23:57:28Z) - ACTS: A multi-tier benchmark evaluating LLM cipher identification under controlled blind conditions [0.0]
階層化されたメタデータの削除による暗号解析能力のベンチマークを行う。
Tier-1: フルスイート、Tier-2: のみ、Tier-3: 完全に盲目。
Tier-5: 暗号文のみのチェーン、コード・アズ・ア・レゾン、自己補正。
論文 参考訳（メタデータ） (2026-09-22T18:00:33Z) - Density-Ratio Rescoring for Imbalanced Classification Using Raking Duals and Classifier Scores [6.0125559514824545]
density-Ratio Rescoringは、サーベイレーキングデュアルスコアで元のクラスでトレーニングされた分類器を増強する。
DRRは双対と基底のスコアを極端に標準化し、固定重量の半減と組み合わせる。
30回の試行と5回のベースラーニングで評価された24のベンチマークでは、D=128のランダムフェール設定でのDRRは、データセット毎の標準化ベースの平均精度を改善している。
論文 参考訳（メタデータ） (2026-09-20T23:00:03Z) - DarwinX: Evolving Agent Harnesses Through Natural Selection [48.64258219266629]
ダーウィンXは自己進化を、モデルが凍結されたハーネスの集団の選択として扱う。
一般的なエージェント能力はベンチマーク固有のパッチではなく、タスク、検証、ベースモデルの変更を生き残る。
論文 参考訳（メタデータ） (2026-07-31T05:34:02Z) - DNA: Dual-stage Native Attribution for Generated Image Source Tracing [75.65470221927096]
既存のプロアクティブな方法は、透かしの埋め込みやモデル修正に依存している。
DNAは、ニューラルネットワークのトレーニングを追加せずに、この階層に従う粗大なフレームワークである。
実験の結果、DNAは89.11%のエンドツーエンドの属性精度を達成している。
論文 参考訳（メタデータ） (2026-07-15T10:27:52Z) - Automated Proving of Shannon-Type Entropy Inequalities via Fine-Tuned Language Models and Guided Tree Search [50.16356451328644]
シャノン型エントロピーの不等式を証明することは情報理論の基本的な課題である。
我々は,原子実証のステップを微調整した小規模大規模言語モデルがこのプロセスを自動化することができるか検討する。
GPT-5.5は0ショットプロンプトで1.7%のサンプルを解き、Psitipは33.3%のサンプルを解いた。
論文 参考訳（メタデータ） (2026-06-04T05:43:12Z) - Fact or Facsimile? Evaluating the Factual Robustness of Modern Retrievers [34.31192184496381]
デンスレトリバーとリランカーは、検索強化世代(RAG)パイプラインの中心である。
我々は,これらのコンポーネントがベースとする大規模言語モデル(LLM)をどの程度の事実的能力で継承するか,あるいは失うかを評価する。
全ての埋め込みモデルにおいて、クエリと正しい完了の間のコサイン類似度スコアは、間違ったものよりも著しく高い。
論文 参考訳（メタデータ） (2025-08-28T04:13:51Z) - WildFusion: Individual Animal Identification with Calibrated Similarity Fusion [0.0]
本研究では,多様な動物種の個体識別のための新しい手法,WildFusionを提案する。
この方法は深度スコア(例えばMegaDescriptorやDINOv2)と局所的な類似性を融合させ、個々の動物を識別する。
ゼロショット設定では、WildFusionは平均精度を76.2%の17データセットで測定した。
コードと事前訓練されたモデルを公開し、エコロジーと保全の即時利用を可能にします。
論文 参考訳（メタデータ） (2024-08-23T09:30:11Z) - Evaluating Perceptual Distance Models by Fitting Binomial Distributions to Two-Alternative Forced Choice Data [43.714290271351466]
本稿では,二項決定モデルに最大推定値を適用し,より頑健な距離モデル評価手法を提案する。
提案手法は2つの2AFC PFデータセット上での様々な視覚距離モデルの評価から, 簡便さ, 可視性, 柔軟性, 計算効率が優れていることを示す。
論文 参考訳（メタデータ） (2024-03-15T15:21:04Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳（メタデータ） (2020-06-08T07:24:33Z)
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。