@techreport{oai:ipsj.ixsq.nii.ac.jp:00227971,
 author = {濱田, 遼太郎 and 平野, 里彩 and 礒川, 直大 and 大越, 匡 and 中澤, 仁},
 issue = {42},
 month = {Sep},
 note = {野生動物のモニタリング，個体数把握は生態系の保全や管理に重要であるとされている．こうした個体数把握の効率化のために機械学習を用いた画像検出・分類が行われている．本研究においては，既存の手法を応用して，高解像度画像から鳥類を高速かつ高精度に検出・分類できると考えられる手法を提案し，その評価を行った．本研究で提案する手法は，ダウンスケーリングした高解像度画像から鳥類のシルエットを検出器で検出して切り出し，切り出した部分のみ元の解像度に戻し，分類器で分類を行うという二つの手順から成り立つ．実験では，鳥類 4 種類を対象に，鳥の種類ごとにアノテーションしたデータセット，鳥を一括りにアノテーションしてデータセット二つを作成し，検出器・分類器の学習を行った．提案手法に対する入力画像の大きさを変化させながら，テスト用の画像セットに対する画像一枚当たりの推論時間，mAP50，APsmall を算出し，評価を行った．比較対象として鳥の種類ごとにアノテーションしたデータセットで学習した YOLOv8 を用い，同様の指標で評価を行い，提案手法と比較を行った．, Monitoring population size of wild animals are considered important for the conservation and management of ecosystems. Image detection and classification using machine learning has been used to improve the efficiency of such population monitoring. In this study, we propose and evaluate a method that can detect and classify birds from high-resolution images with high speed and accuracy by applying existing methods. The proposed method consists of two steps: (1) detecting and cropping silhouettes of birds from downscaled high-resolution images using a detector, restoring only the cropped parts to the original resolution, and (2) performing classification using a classifier. We trained the detector and classifier using two distinct datasets: one encompasses four classes of bird species and another consolidates these species into a singular ”bird” class. The inference time per image, mAP50, and APsmall were calculated and evaluated for the test set of images while varying the size of the input images for the proposed method. For comparison, we used YOLOv8, which was trained on a dataset annotated with different bird species, and evaluated it using the same metrics and compared it with the proposed method.},
 title = {高解像度画像を用いた鳥類検出手法の提案},
 year = {2023}
}