野生动物相机陷阱的自动距离估计
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
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
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
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
非主动声学监测是一种监测难以通过视觉调查的有声野生动物种群的有效方法。机器学习方法常用于识别目标物种的鸣叫,但很难检测到所有鸣叫并且常常产生误报。我们提出了三种声学空间捕获 - 释放推断的方法,将机器学习的不确定性融入推断过程中,以解决误报问题。通过模拟测试,我们发现在基于海南长臂猿的声学数据场景中,采用我们的方法可以减少 17% 的正向偏差,并且覆盖概率接近标准的 95% 水平。
Aug, 2023
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
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
利用深度学习技术实现动物自动计数,实验表明,UNet 模型应用高斯密度图训练,以达到快速高效计数目的,特别适用于复杂背景下的航空图像中非洲象和海豚的计数任务,减少了人类对野生动物的干扰,为野生动物保护与和谐相处提供了有效的技术手段。
Jun, 2023
本研究提出了一种基于机器学习的动物检测系统,采用群众智慧提供的数据,在半干旱的热带草原上检测大型哺乳动物,通过固定翼的无人机上的标准 RGB 相机提供数据,为野生动物保护提供了数据驱动的管理实践的转型方案。
Sep, 2017