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

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

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

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

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

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

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

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

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

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