論文の概要: Automated identification of ivory carvings using machine learning: A proof-of-concept approach to detecting the illegal wildlife trade

• arxiv url: http://arxiv.org/abs/2610.33243v1
• Date: Fri, 23 Oct 2026 19:45:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.280852
• Title: Automated identification of ivory carvings using machine learning: A proof-of-concept approach to detecting the illegal wildlife trade
• Title（参考訳）: 機械学習を用いた象牙彫刻の自動識別--違法野生生物取引を検出するための概念実証アプローチ
• Abstract要約: Ivoryとその製品は、主にオンラインマーケットプレースで販売されている。 法執行機関が不正取引や訴追業者を特定することは困難である。 フーリエ変換赤外分光法や顕微鏡のような象の象牙を識別する既存の技術は、象牙を他の物質と確実に区別することができる。 本稿では,象象の象牙の特徴が画像に現れる場合に,象牙とその製品を効果的に識別できるシステムを開発するための概念実証について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite a ban on the international trading of recently poached ivory, elephants are still killed for their tusks. Ivory and its products are mainly sold in online marketplaces. However, due to the huge volume and variety of adverts and the similarity of ivory with other materials that can be legally sold, it is hard for enforcement officials to identify illicit trading and prosecute sellers. Existing techniques for identifying elephant ivory, such as Fourier-transform infrared spectroscopy and microscopy, can reliably distinguish ivory from other materials, but require physical access to the item and cannot be applied to photographs alone. As a result, these methods are unsuitable for screening the large volume of images posted in online marketplaces, leaving a gap for automated, image-based identification tools. In this proof of concept work, we investigate the potential of machine learning techniques for image analysis to automatically distinguish ivory objects from bone. We employ a semantic segmentation framework using a U-Net architecture with a ResNet34 backbone, leveraging transfer learning on an augmented dataset of 541 original images. Using a dataset of images of ivory and items resembling carved ivory, several models were trialled. On a distinct test set, the classifier achieved an Area Under the Curve (AUC) of 0.81 and an overall classification accuracy of 81% on confident samples. The paper presents the best-performing model as a proof of concept for developing a system that can effectively identify ivory and its products when indicative features of elephant ivory are present in an image. This work provides initial steps towards a machine learning-based framework designed to advise law-enforcement in detecting illegal elephant ivory trade.
• Abstract（参考訳）: 最近密猟された象牙の国際取引が禁止されたにもかかわらず、象はいまだに彼らの牙のために殺害されている。 Ivoryとその製品は、主にオンラインマーケットプレースで販売されている。 しかし、大量の広告や象牙が合法的に販売できる他の素材と類似していることから、法執行機関が不正取引や訴追業者を特定することは困難である。 フーリエ変換赤外分光法や顕微鏡のような既存の象牙の識別技術は、象牙を他の物質と確実に区別することができるが、アイテムへの物理的アクセスを必要とし、写真のみに適用することはできない。 結果として、これらの手法はオンラインマーケットプレースに投稿された大量の画像のスクリーニングには適さないため、自動化された画像ベース識別ツールのギャップが残ることになる。 本稿では, 骨から象牙の物体を自動的に識別する機械学習技術の可能性について検討する。 我々は、ResNet34のバックボーンを持つU-Netアーキテクチャを用いたセマンティックセマンティックセマンティック・セマンティック・セマンティクス・フレームワークを用いて、541のオリジナル画像の強化データセット上で転送学習を利用する。 象牙のイメージと象牙に類似したアイテムのデータセットを用いて、いくつかのモデルが試行された。 異なるテストセットにおいて、分類器はAUC(Area Under the Curve)の0.81を達成し、総合的な分類精度は自信のあるサンプルに対して81%に達した。 本稿では,象象の象牙の特徴が画像に現れる場合に,象牙とその製品を効果的に識別できるシステムを開発するための概念実証として,最良の性能モデルを提案する。 この研究は、違法ゾウ象の象牙取引を検出するための法律強化を助言するために設計された機械学習ベースのフレームワークへの最初のステップを提供する。

関連論文リスト

• Self-Supervised AI-Generated Image Detection: A Camera Metadata Perspective [80.10217707456046]
  カメラメタデータを利用したAI生成画像検出のための自己教師型アプローチを提案する。 分類型EXIFタグを分類することにより,撮影画像のみに特徴抽出器を訓練する。 我々の検出器は、電界中のサンプルに対して強力な一般化と、一般的な良性イメージの摂動に対する堅牢性を提供する。
  論文  参考訳（メタデータ） (2025-12-05T11:53:18Z)
• Detection of trade in products derived from threatened species using machine learning and a smartphone [0.16385815610837165]
  野生生物における持続不可能な貿易は、生物多様性にとって大きな脅威であり、現在ではデジタル市場やソーシャルメディアでますます普及している。 我々は、画像内の野生動物を識別し、ハイライトできる機械学習に基づく物体認識モデルを開発した。 このアプリケーションはリアルタイムで画像をクリックし、標的種の潜在的に禁止された製品を特定するのに役立つ。
  論文  参考訳（メタデータ） (2025-09-08T11:56:26Z)
• AI-Driven Detection and Analysis of Handwriting on Seized Ivory: A Tool to Uncover Criminal Networks in the Illicit Wildlife Trade [1.3852370777848657]
  捕獲されたゾウの歯に手書きのマーキングを抽出し,解析するためのAI駆動パイプラインを提案する。 6年間に8回の象牙発作から6,085枚の写真を収集した。 出現した牙を繋ぐ184個の「署名マーク」を同定した。
  論文  参考訳（メタデータ） (2025-08-13T22:10:42Z)
• Where's the liability in the Generative Era? Recovery-based Black-Box Detection of AI-Generated Content [53.93606081932928]
  APIアクセスのみを必要とする新しいブラックボックス検出フレームワークを導入する。 画像がモデル自身によって生成された可能性を測定する。 マスクされた画像入力をサポートしないブラックボックスモデルに対して、ターゲットモデル分布に適合するように訓練された費用効率の良い代理モデルを導入する。
  論文  参考訳（メタデータ） (2025-05-02T05:11:35Z)
• FakeScope: Large Multimodal Expert Model for Transparent AI-Generated Image Forensics [66.14786900470158]
  本稿では,AIによる画像鑑定に適した専門家マルチモーダルモデル(LMM)であるFakeScopeを提案する。 FakeScopeはAI合成画像を高精度に識別し、リッチで解釈可能なクエリ駆動の法医学的な洞察を提供する。 FakeScopeは、クローズドエンドとオープンエンドの両方の法医学的シナリオで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-31T16:12:48Z)
• DIAGNOSIS: Detecting Unauthorized Data Usages in Text-to-image Diffusion Models [79.71665540122498]
  保護されたデータセットにインジェクトされたコンテンツを配置することで、不正なデータ利用を検出する手法を提案する。 具体的には、ステルス画像ワープ機能を用いて、これらの画像にユニークな内容を追加することにより、保護された画像を修正する。 このモデルが注入されたコンテンツを記憶したかどうかを解析することにより、不正に不正に使用したモデルを検出することができる。
  論文  参考訳（メタデータ） (2023-07-06T16:27:39Z)
• Effective Data Augmentation With Diffusion Models [45.18188726287581]
  我々は、事前訓練されたテキスト・画像拡散モデルによりパラメータ化された画像・画像変換によるデータ拡張の多様性の欠如に対処する。 本手法は,市販の拡散モデルを用いて画像のセマンティクスを編集し,いくつかのラベル付き例から新しい視覚概念に一般化する。 本手法は,実世界の雑草認識タスクと数ショット画像分類タスクにおいて評価し,テスト領域における精度の向上を観察する。
  論文  参考訳（メタデータ） (2023-02-07T20:42:28Z)

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。