要約
きめ細かな分類では、同じスーパークラスのクラス間を区別するために、独自の特徴を特定する。昆虫は生物多様性のモニタリングに不可欠であり、多くの生態系の基盤となっているため、私たちは昆虫の種認識に焦点を当てています。市民科学キャンペーンでは、何十億もの画像が野生で収集されている。これらの画像にラベルが付けられれば、専門家はそれを使って分布図を作成することができる。しかし、ラベリング作業には時間がかかるため、コンピュータ・ビジョンの出番となる。コンピュータ・ビジョンの分野には様々なアルゴリズムがあり、それぞれに長所と短所がある。私たちの用途に合ったアルゴリズムをどのように見極めればよいのだろうか？この問いに答えるため、我々は深層畳み込みネットワーク（CNN）、ビジョン変換器（ViT）、局所性に基づくビジョン変換器（LBVT）の中から9つのアルゴリズムを、分類性能、埋め込み品質、計算コスト、勾配活性という4つの異なる側面から完全かつ詳細に評価する。我々は、これらのアルゴリズムが昆虫の細かなタスクをどの程度解決するのかについて、この領域ではまだ得られていない知見を提供する。その結果、ViTは推論速度と計算コストにおいて最も優れた性能を発揮し、LBVTは性能と埋め込み品質において他を凌駕することがわかった。
要約(オリジナル)
With fine-grained classification, we identify unique characteristics to distinguish among classes of the same super-class. We are focusing on species recognition in Insecta, as they are critical for biodiversity monitoring and at the base of many ecosystems. With citizen science campaigns, billions of images are collected in the wild. Once these are labelled, experts can use them to create distribution maps. However, the labelling process is time-consuming, which is where computer vision comes in. The field of computer vision offers a wide range of algorithms, each with its strengths and weaknesses; how do we identify the algorithm that is in line with our application? To answer this question, we provide a full and detailed evaluation of nine algorithms among deep convolutional networks (CNN), vision transformers (ViT), and locality-based vision transformers (LBVT) on 4 different aspects: classification performance, embedding quality, computational cost, and gradient activity. We offer insights that we haven’t yet had in this domain proving to which extent these algorithms solve the fine-grained tasks in Insecta. We found that the ViT performs the best on inference speed and computational cost while the LBVT outperforms the others on performance and embedding quality; the CNN provide a trade-off among the metrics.
arxiv情報
| 著者 | Rita Pucci,Vincent J. Kalkman,Dan Stowell |
| 発行日 | 2024-04-04 14:26:58+00:00 |
| arxivサイト | arxiv_id(pdf) |