Active Learning-Based Species Range Estimation

要約

限られた数の地上観測から種の地理的範囲を効率的に推定するための新しい能動学習アプローチを提案する。我々は、地図に載っていない対象種の範囲を、異なる種の集合から得られた推定範囲の重み付けされた組み合わせとしてモデル化する。我々は、大規模な弱教師付きコミュニティ収集観測データで訓練されたモデルを使用することにより、範囲の候補セットを生成することが可能であることを示す。このことから、マッピングされていない種の範囲に対する不確実性を最も小さくする地理的な訪問場所を逐次選択する、新しいアクティブクエリーアプローチを開発する。本アプローチの詳細な評価を行い、1000種の専門家による範囲を含む評価データセットを用いて、既存の能動学習手法と比較する。その結果、我々の手法は他の能動学習手法を凌駕し、データの一部しか使用していない場合でも、エンドツーエンドで学習されたモデルの性能に近づいていることが実証された。このことは、種の範囲の推定に、伝達学習された空間表現を用いた能動学習の有用性を強調している。また、種の範囲をモデル化するためだけでなく、積極的に発見するためにも、大規模なクラウドソーシングデータセットを活用することの価値を強調している。

要約(オリジナル)

We propose a new active learning approach for efficiently estimating the geographic range of a species from a limited number of on the ground observations. We model the range of an unmapped species of interest as the weighted combination of estimated ranges obtained from a set of different species. We show that it is possible to generate this candidate set of ranges by using models that have been trained on large weakly supervised community collected observation data. From this, we develop a new active querying approach that sequentially selects geographic locations to visit that best reduce our uncertainty over an unmapped species’ range. We conduct a detailed evaluation of our approach and compare it to existing active learning methods using an evaluation dataset containing expert-derived ranges for one thousand species. Our results demonstrate that our method outperforms alternative active learning methods and approaches the performance of end-to-end trained models, even when only using a fraction of the data. This highlights the utility of active learning via transfer learned spatial representations for species range estimation. It also emphasizes the value of leveraging emerging large-scale crowdsourced datasets, not only for modeling a species’ range, but also for actively discovering them.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL