CVPRJul, 2017

iNaturalist 物种分类与检测数据集

PDF
TL;DR本论文提出了 iNaturalist 物种分类和检测数据集，包括来自全球 5000 多种植物和动物的 859,000 张图片，其中包括视觉相似的物种以及具有各种图像质量和类不平衡性的图片。通过对数据集进行广泛的基准实验，本文的结果表明目前基于非集成方法的计算机视觉分类和检测模型只能达到 67% 的准确率，提出了面临的挑战和需要更多低阶学习关注的解决方案。
发现论文，激发创造
  • 物种 196：一个百万级半监督数据集用于细粒度物种识别

    介绍了一个大规模的半监督数据集 Species196，包含 196 个入侵物种的专家级标注图像和大量无标签图像，并提供四种实验设置以评估现有模型和算法在入侵物种分类中的性能。

    Sep, 2023

  • 自然世界图像集的表示学习基准测试

    本研究提供两个新的自然世界分类数据集 iNat2021 和 NeWT，探索了 fine-grained 类别的大规模表示和迁移学习的问题。研究表明，在各种任务中，基于 ImageNet 和 iNat2021 有监督方法学习到的特征优于 SimCLR 等自我监督方法。

    Mar, 2021

  • 全球生物多样性评估的一步：BIOSCAN-1M 昆虫数据集

    为了对昆虫生物多样性进行编目，我们提出了一个新的手动标注昆虫图像的大型数据集，BIOSCAN-Insect 数据集。该数据集由专家进行分类，同时还提供相关的遗传信息，包括原始核苷酸条形码序列和分配的条形码索引号，这些是基于基因的物种分类的代理。本文介绍了一个由百万图像组成的精选数据集，主要用于训练能够提供基于图像的分类评估的计算机视觉模型，然而，该数据集还具有引人注目的特征，研究这些特征对于更广泛的机器学习社区也是有兴趣的。受数据集固有的生物学特性驱动，显示出了具有长尾类别不平衡分布的特点。此外，分类标签是一个分层分类方案，对低层级的问题提出了非常细粒度的分类问题。通过在实施和分析基准分类器的过程中探索分类任务，本文将促进机器学习社区对生物多样性研究的兴趣，并推动创建基于图像的分类器的进展，这也将进一步实现 BIOSCAN 研究的终极目标：为全球生物多样性的综合调查奠定基础。

    Jul, 2023

  • iWildCam 2021 比赛数据集

    本文阐述了野生动物种群监测中的探照灯自动采集引进了大量图像数据，使用目标检测技术识别和计算每个物种个体数时需要考虑时空因素以及个体重新识别，同时描述了一个跨地区的物种分类和数量计算的挑战。

    May, 2021

  • FGVC7 研讨会上的半监督 iNaturalist-Aves 挑战赛

    本文介绍了一个新的半监督识别数据集，该数据集包含来自 iNat-2018 数据集中抽样得到的 1000 种鸟类，总共近 15 万张图像。该数据集的存在挑战着现有文献中的半监督识别技术，因为它包含领域外数据、类不平衡和类之间的微妙相似性。

    Mar, 2021

  • 野外昆虫识别：AMI 数据集

    昆虫多样性丧失影响生态系统和农业，对昆虫研究提出了大规模机器学习和数据增强等解决方案。

    Jun, 2024

  • iWildCam 2020 比赛数据集

    利用摄像头监控野生动物的数量，使用自动物种分类技术与公民科学数据和遥感数据拓展摄像头在不同地理位置的应用，为此我们提出了一种挑战性分类问题。

    Apr, 2020

  • iWildCam 2019 挑战赛数据集

    通过制定训练集和测试集来解决物种分类问题，新数据集可以从其他地区进行测试，同时也提供了转移学习的方式来填补训练集的不足。

    Jul, 2019

  • 用于高效物种检测的 LiT 调整模型

    该论文提出了一种适用于分布式视觉语言预训练的简单方法，并在具有挑战性的 iNaturalist-2021 数据集上实现了零样本分类精度，从而打开了在涉及物种检测的农业相关应用中利用高质量视觉 - 语言预训练模型的新途径。

    Feb, 2023

  • 用于濒危动物种群监测的多物种目标检测无人机图像系统

    动物种群数量急剧下降，精确计数濒危物种的技术对于长期监测种群变化至关重要。本研究侧重于优化用于无人机图像的目标检测模型，以创建准确的动物物种计数。通过使用无人机拍摄的数百张图片和大量可获取的无人机图像数据集，我们将传统的 YOLOv8 架构进行了优化。我们训练了 30 个不同的模型，其中最大的模型具有 4370 万个参数和 365 个层，并利用超参数调整和数据增强技术来提高准确性。尽管最先进的 YOLOv8 基线在野生动物数据集上只有 0.7％的准确性，但我们的模型在相同数据集上达到 95％的准确性。最后，我们将模型部署在 Jetson Orin Nano 上，演示了低功耗实时物种检测，便于在无人机上进行推断。

    Jun, 2024