モバイル環境向けリアルタイム並列フーバラ検出・セグメンテーションによる野生動物保護
Real-Time Threaded Houbara Detection and Segmentation for Wildlife Conservation using Mobile Platforms
スレッディングでYOLOv10検出とMobileSAMセグメンテーションを並列化し、モバイル上でフーバラをリアルタイム検出・領域分割する枠組みを提案。4万枚のデータセットも公開。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Lyes Saad Saoud, Loic Lesobre, Enrico Sorato, Irfan Hussain
分類: cs.CV, cs.AI, cs.RO
原文アブストラクト
Real-time animal detection and segmentation in natural environments are vital for wildlife conservation, enabling non-invasive monitoring through remote camera streams. However, these tasks remain challenging due to limited computational resources and the cryptic appearance of many species. We propose a mobile-optimized two-stage deep learning framework that integrates a Threading Detection Model (TDM) to parallelize YOLOv10-based detection and MobileSAM-based segmentation. Unlike prior YOLO+SAM pipelines, our approach improves real-time performance by reducing latency through threading. YOLOv10 handles detection while MobileSAM performs lightweight segmentation, both executed concurrently for efficient resource use. On the cryptic Houbara Bustard, a conservation-priority species, our model achieves mAP50 of 0.9627, mAP75 of 0.7731, mAP95 of 0.7178, and a MobileSAM mIoU of 0.7421. YOLOv10 operates at 43.7 ms per frame, confirming real-time readiness. We introduce a curated Houbara dataset of 40,000 annotated images to support model training and evaluation across diverse conditions. The code and dataset used in this study are publicly available on GitHub at https://github.com/LyesSaadSaoud/mobile-houbara-detseg. For interactive demos and additional resources, visit https://lyessaadsaoud.github.io/LyesSaadSaoud-Threaded-YOLO-SAM-Houbara.
関連論文
- 局所マッチから大域マスクへ：テンプレート誘導によるオープンワールド場面でのインスタンス検出とセグメンテーション検出・セグメンテーション
- 事前学習済み視覚モデルを新規インスタンス検出・セグメンテーションに適応検出・セグメンテーション
- DeepHAZMAT: 限られた計算資源での危険物標識の検出とセグメンテーション検出・セグメンテーション
