iWildCam 2019 挑战赛数据集
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
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
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
通过减少对昂贵的标记数据的依赖,我们提出了一种新的零样本物种分类方法 WildMatch,该方法使用多模态基础模型,利用人们熟悉的术语生成摄像机陷阱图像的详细视觉描述,并将生成的描述与外部知识库中的描述进行匹配,以零样本的方式确定物种。我们还研究了构建详细动物描述生成的指导调优数据集的技术,并提出了一种新的知识增强技术来提高描述质量。我们在哥伦比亚 Magdalena Medio 地区的一个新的摄像机陷阱数据集上展示了 WildMatch 的性能。
Nov, 2023
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。
Jul, 2017
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
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
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