Mar, 2018

生态相机陷阱数据的深度学习目标检测方法

PDF
TL;DR本文论述了如何通过使用深度学习方法对相机陷阱图像进行自动化数据分析，演示了以 Faster R-CNN 和 YOLO v2.0 作为分类器识别、量化和定位相机陷阱图像中的物种，进而应用于生态研究。结果显示 Faster R-CNN 的分类准确率高达 93.0％，取得了很好的效果。
deep learningcomputer visioncamera trap imagesobject detectionecological research
发现论文，激发创造
  • 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

  • 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

  • 利用非常深的卷积神经网络在相机陷阱图像中识别动物物种，实现野生动物的自动监测

    使用深度卷积神经网络在野外通过摄像监控自动识别动物种类的方法，优于之前的尝试，证明了在摄像监控的图像中，识别可以自动化。

    Mar, 2016

  • 利用计算机视觉技术从相机陷阱数据中重新识别动物的过去、现在和未来方法

    通过使用计算机视觉和深度学习的新方法，生态学家可以提取图像 / 视频数据中的动物并训练深度学习分类器以重新识别动物个体，从而从根本上改变相机陷阱数据的分析方式并革命动物生态学方法。

    Nov, 2018

  • 利用摄像机陷阱图像和深度学习消除在鸟类分类中的人为瓶颈

    本文介绍了一种通过利用深度学习技术实现鸟类在野外自动监测的方法，基于摄像机捕捉数据，使用 Faster-RCNN 架构实时分类图像，并通过 GPU 进一步处理数据，从而有效地减少了手动观测的需要，并取得了较为显著的监测鸟类的准确率

    May, 2023

  • 香港动物物种分类的主动学习模型

    使用相机陷阱监测动物是生态学家全球使用的一种高效且无创的方法，通过深度学习和计算机视觉的最新进展，可以自动化这一过程，但是在将这些模型应用于世界其他地方独立收集的图像时，存在着泛化性的障碍。在此，我们使用深度主动学习工作流程，并训练一个适用于在香港收集的相机陷阱图像的模型。

    Mar, 2024

  • 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

  • 相机陷阱图像审阅有效管道

    本文提出了一种利用预训练的通用动物检测器和标记图像集来训练分类模型的流水线技术，以实现在新地区高效准确地对物种进行分类的方法。

    Jul, 2019

  • 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

  • 在嵌入式系统中过滤空的相机陷阱图像

    采用深度学习模型提高动物识别，过滤图像，以节约野生动物监测设备的存储和数据传输成本 —— 通过在边缘设备上进行各种输入分辨率，数模转换和模型筛选等操作，相较于传统分类器，使用目标检测器能更好地识别动物，消除至少 10% 的空图像与类似延迟的结果。

    Apr, 2021