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

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。

Mar, 2018

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

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

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

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

使用现代机器学习技术进行鸟类检测，无需人工重新校准，也不需要针对目标物种或目标环境中的声学条件进行预训练，可在远程监测数据中实现非常高的检索率，达到约 88％的 AUC 性能，并讨论了将这种检测方法整合到远程监测项目中的方法。新的声学监测数据集被提出并进行了详细的性能评估。

Jul, 2018

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