Oct, 2017

Wildbook: 保护生物多样性的众包、计算机视觉和数据科学

PDF
TL;DRWildbook 是一种基于大量野生动物图像的自动化计算系统，通过检测动物的各种物种和识别个体，结合精细的数据管理，将其转化为高分辨率信息数据库，支持科学探究、保护和公民科学，其应用及挑战对保护野生动物具有重要影响。
发现论文，激发创造
  • 利用社交媒体图像收集估计动物野生生物种群

    通过开发新的计算机视觉工具，利用社交媒体中的野生动物图像作为信息来源，提供野生动物种群规模估计，解决社交媒体偏见带来的传统种群估计方法的障碍。

    Aug, 2019

  • 野生动物守护者的赋权计划：基于深度学习和 3/4G 相机陷阱的公平数字监管和奖励系统

    本文提出了一种基于 “物种货币” 的彻底新解决方案，让动物拥有自己的货币，通过建立每种动物的数字孪生允许动物向其监护人提供服务，并测试了在南非林波波省 Welgevonden 野生动物保护区使用 27 个相机陷阱的有效性。

    Apr, 2023

  • Pytorch-Wildlife：一个用于保护的协作深度学习框架

    通过 PyTorch 构建的开源深度学习平台 Pytorch-Wildlife，可用于动物检测和分类，其应用于亚马逊雨林和加拉帕戈斯群岛的物种识别和入侵负鼠识别等真实场景中，取得了高水平的准确性，并为保护环境提供了多样化的解决方案。

    May, 2024

  • 机器学习在野生动物保护中的视角：视野中的生物多样性

    利用机器学习技术，结合生态领域知识，可以提升动物生态学家们对现代传感器技术产生的大量数据的理解和对物种保护的监测能力，最终将生态模型作为机器学习模型的约束条件，从而可靠地估计种群数量、研究动物行为和减缓人类 / 野生动物冲突。

    Oct, 2021

  • 利用深度学习在相机陷阱图像中自动识别、统计和描述野生动物

    野生动物种类的自动识别与行为分析是野外生态研究和动物保护的重要技术之一。该研究利用深度卷积神经网络技术，对 320 万张 “快照大草原” 数据集中涵盖的 48 种动物进行识别、计数、行为描述分析，自动提取数据并有效地提高数据分析的效率。

    Mar, 2017

  • 野生动物图像的迭代式人工和自动识别

    这篇研究论文提出了一种基于深度学习和人类协作的相互迭代的方法，能够学习野生动物图像数据的长尾分布，有效提高了相较于现有方法人类注释工作量的减轻程度，并将深度学习由一个相对低效的后注释工具转变为一种始终保持高效模型更新的协作注释工具。

    May, 2021

  • 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

  • 一种用于相机陷阱图像物种识别和计数的深度主动学习系统

    本文提出了一种结合人工智能和人类智能的主动学习系统，能够快速准确地对相机陷阱图像中的动物进行识别和计数，可将手动标注的工作量减少了 99.5% 以上。

    Oct, 2019

  • 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

  • iWildCam 2018 挑战赛数据集

    为了扩大使用摄像机陷阱数据研究生物多样性的规模，作者提供了一个新的挑战数据集以测试基于深度学习的自动关键帧标记方法是否适用于恰当分类新的场景。

    Apr, 2019