May, 2021

野生动物图像的迭代式人工和自动识别

PDF
TL;DR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。
camera trappingwildlife monitoringdeep learninglong-tailed distributionhuman and automated identification
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

  • 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

  • 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

  • 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

  • 摄像陷阱图像中零样本动物物种识别的多模态基础模型

    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

  • 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

  • 高效掌握大规模多标签图像识别在相机陷阱图像中的应用

    本文介绍了基于机器学习的相机陷阱图像批注方法。我们的方法通过只查看每个图像一次，不使用增量方法，依靠相对较大的数据集，在单个 GPU 上训练了一个高分系统，从而获得 97% 的准确率，并超过了人类的表现水平。

    Aug, 2020

  • 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