RareSpot+: 小型で希少な野生動物向けのベンチマーク、モデル、アクティブラーニングの枠組み（航空画像）

概要: 空撮画像からの自動的な野生動物モニタリングは保全にとって重要ですが、2つの根強い課題によりいまだ制限されています。それは、小さくて希少な種の検出が難しいこと、そして大規模な専門家による注釈付けのコストが高いことです。プレーリードッグはこの問題を象徴しています――生態学的に重要である一方で、姿が非常に小さく、まばらに分布し、周囲との見た目の区別がつきにくいため、従来の検出モデルにとって深刻な困難をもたらします。これらの制約を克服するために、本論文では RareSpot+ を提案します。これは、マルチスケール一貫性学習、文脈に応じたデータ拡張、そして地理空間に導かれるアクティブラーニングを統合した検出フレームワークであり、これらの課題に対処します。新しいマルチスケール一貫性損失は、検出ヘッド間で中間特徴マップを整合させることで、アーキテクチャを変更することなく、小さな（幅が約30ピクセルの）物体のローカライゼーションを強化します。一方、文脈に応じたデータ拡張は、難しくても生態学的に妥当な例を合成することで、頑健性を向上させます。地理空間アクティブラーニングのモジュールは、プレーリードッグと巣穴を結びつける領域固有の空間的事前知識に加え、テスト時データ拡張とメタ不確実性モデルを活用して、冗長なラベリングを削減します。2 km^2 の空撮データセットにおいて、RareSpot+ はベースライン mAP@50 を +35.2%（絶対値 +0.13）改善します。HerdNet、AED、そして他のいくつかの野生動物ベンチマークに対するクロスデータセットテストでは、検出器レベルでの頑健な転移可能性が示されています。さらに、アクティブラーニングモジュールは、ラベルなしタイルのわずか 1.7% の注釈予算で、プレーリードッグの AP を 14.5% 向上させます。検出にとどまらず、RareSpot+ はクラスタリングや共起といった空間的な生態学的解析を可能にし、視覚ベースの検出を定量生態学と結びつけます。