PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27409v1cs.LG

생물 다양성 모니터링을 위한 능동 학습: 라벨 효율에서 신뢰 가능한 생태학적 추론까지

Active Learning for Biodiversity Monitoring: From Label Efficiency to Reliable Ecological Inference

전문가 어노테이션 역량의 한계는 생물 다양성 모니터링에서 흔한 제약이다. 수동 음향 기록 장치와 카메라 트랩은 전문가가 분석할 수 있는 속도보다 빠르게 데이터를 생성한다. 기계 학습(ML) 모델은 이러한 데이터를 대규모로 처리할 수 있지만, 그 신뢰성은 라벨이 붙은 표본의 품질, 양, 커버리지에 달려 있어 전문가 시간은 여전히 병목이다. 능동 학습(active learning, AL)은 고정된 어노테이션 예산 하에서 모델을 가장 크게 개선할 것으로 기대되는 표본을 선택함으로씨 이 병목을 완화하며, 발표된 근거에 따르면 목표 성능에 도달하는 데 필요한 라벨 수를 줄일 수 있다. 그러나 모니터링 프로그램은 더 넓은 질문에 직면한다: 제한된 전문가 예산을 어떻게 나누어야 모델 학습, 검증, 그리고 모델 출력에 기반한 생태 추정이 모두 신뢰 가능하게 유지되는가? AL은 표본을 비무작위로 선택하므로, 그 라벨은 검증, 보정(calibration), 또는 임계값 선택에 적합하지 않으며, 이 긴장은 드물게 인식된다. 우리는 음향 및 영상 양식에 걸친 AL 연구를 종합하고 공백과 기회를 식별한다. 대부분의 연구는 시뮬레이션 어노테이터를 사용한 사전 라벨 벤치마크에서 쿼리 전략을 평가하며, 실제 모니터링 워크플로에서의 배포는 드물고 조류와 고래류에 집중되어 있다. 박쥐, 곤충, 양서류, 어류는 과소 대표되며, 멀티모달 응용은 대체로 미탐색 상태이다. 평가는 어노테이션 노력의 헤드라인 감소에 초점을 맞추는 경우가 많고, 무작위 샘플링 베이스라인, 클래스별 결과, 또는 보정 분석 없이, 검증에 필요한 라벨을 거의 반영하지 않는다. 우리는 이러한 예산 결정을 명시적으로 드러내는 AL 루프에 대한 튜토리얼적 정리를 제공하고, 라벨 효율적 학습, 검증, 신뢰할 수 있는 하류 생태학적 추론을 지원하는 AL 방법을 향한 로드맵을 제시한다.

arXiv:2603.20509v2cs.CV

Lessons and Open Questions from a Unified Study of Camera-Trap Species Recognition Over Time

Camera traps are vital for large-scale biodiversity monitoring, yet accurate automated analysis remains challenging due to diverse deployment environments. While the computer vision community has mostly framed this challenge as cross-domain generalization, this perspective overlooks a primary challenge faced by ecological practitioners: maintaining reliable recognition at the fixed site over time, where the dynamic nature of ecosystems introduces profound temporal shifts in both background and animal distributions. To bridge this gap, we present the first unified study of camera-trap species recognition over time. We introduce a realistic benchmark comprising 546 camera traps with a streaming protocol that evaluates models over chronologically ordered intervals. Our end-user-centric study yields four key findings. (1) Biological foundation models (e.g., BioCLIP 2) underperform at numerous sites even in initial intervals, underscoring the necessity of site-specific adaptation. (2) Adaptation is challenging under realistic evaluation: when models are updated using past data and evaluated on future intervals (mirrors real deployment lifecycles), naive adaptation can even degrade below zero-shot performance. (3) We identify two drivers of this difficulty: severe class imbalance and pronounced temporal shift in both species distribution and backgrounds between consecutive intervals. (4) We find that effective integration of model-update and post-processing techniques can largely improve accuracy, though a gap from the upper bounds remains. Finally, we highlight critical open questions, such as predicting when zero-shot models will succeed at a new site and determining whether/when model updates are necessary. Our benchmark and analysis provide actionable deployment guidelines for ecological practitioners while establishing new directions for future research in vision and machine learning.

arXiv:2606.27667v1cs.CV

생물다양성 모니터링 및 생태 이미지 분석을 위한 설명 가능 AI

Explainable AI for Biodiversity Monitoring and Ecological Image Analysis

인공지능은 카메라 트랩, 드론, 위성, 수중 플랫폼 및 기타 센싱 시스템에서 수집된 생태 영상의 자동 분석을 가능하게 하면서 생물다양성 모니터링을 변화시키고 있다. 이러한 도구는 보전 평가의 규모와 속도를 확대할 수 있지만, 많은 컴퓨터 비전 모델은 여전히 검사하기 어려워 예측이 생태학적으로 의미 있는 신호에 기반하는지, 아니면 허위 상관, 표본 추출 편향 및 보전 의사결정을 약화시킬 수 있는 기타 인공 요인에 기반하는지 판단하기 어렵게 만든다. 우리는 보전 실무자들이 모델이 정확한지 여부뿐 아니라 왜 정확한지를 이해하는 데 점점 더 의존하기 때문에, 설명 가능 인공지능(XAI)이 생태 모델 검증의 표준 구성 요소가 되어야 한다고 주장한다. 우리는 이미지 분류, 객체 검출, 이미지 분할이라는 세 가지 일반적인 생태 컴퓨터 비전 작업에 XAI를 적용하기 위한 실용적 지침을 제공한다. 생태 모델 감사, 개선 및 배포를 XAI가 어떻게 지원할 수 있는지 설명하기 위해, 항공 영상을 사용한 두 가지 사례 연구—항구물범 검출과 고래류 해부학적 분할—를 제시한다. 이 예시들은 설명 방법이 생물학적으로 의미 있는 단서를 식별하고, 배경 및 형태 교란(confound)에 의해 유발된 거짓 양성을 드러내며, 가장자리 및 가림(occlusion) 효과를 밝히고, 데이터 수집, 증강 및 재학습 전략을 안내할 수 있음을 보여준다. 더 넓게 보면, 이들은 설명 가능성이 모델의 추론이 생태학적 이해와 일치하는지 평가하는 데 어떻게 도움이 되는지 보여준다. 우리는 핵심 과제와 기회를 식별하며 결론을 맺는다. 모델 동작을 더 투명하고 과학적으로 검증 가능하게 만듦으로써, XAI는 AI가 뒷받침하는 생태학적 증거가 생물다양성 보전을 위해 더 신뢰할 수 있고, 이해하기 쉬우며, 실행 가능하도록 돕는 데 기여할 수 있다.

arXiv:2606.26121v1cs.NI

Dot-Flik: 분산 곤충 모니터링을 위한 확장 가능한 엣지 AI 아키텍처

Dot-Flik: A Scalable Edge AI Architecture for Distributed Insect Monitoring

곤충 개체수 감소에 대응하기 위해 Dot-Flik 분산 IoT 아키텍처를 제안하며, 저비용 Dot 센싱 노드에서 시간적 차분·블록 기반 모션 밀도 분석으로 심층 학습 추론 없이 엣지에서 불필요한 프레임을 걸러내고 Flik 노드에서 AI 분류를 수행한다. 실외 배포 결과 약한 바람 조건에서 60~80% 프레임 감소, 30 FPS 실시간 동작, 최대 22.6% 에너지 절감, 중앙 노드당 5~6개 동시 엣지 스트림을 달성해 도시 환경의 저비용 생물 다양성 모니터링 확장성을 보여준다.