Nov, 2023

利用 ResNet-50 和 VGG-16 进行转移学习比较公羚与公古杜分类

PDF
TL;DR研究使用预训练模型 VGG-16 和 ResNet-50 在野生动物栖息地中识别男性 Kudu 和男性 Nyala 时的效率，通过 fine-tuning 方法进行了模型的评估，得到了在 fine-tuning 之前的 VGG-16 和 ResNet-50 模型的准确率分别为 93.2％和 97.7％，在 fine-tuning 后的两个模型的准确率均达到了 97.7％。
wild animalsmonitoringdeep learningpre-trained modelsanimal identification
发现论文，激发创造
  • 利用航空遥感图像进行动物计数：应用于野生动物和海洋哺乳动物

    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

  • 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

  • 利用口罩图像和深度学习技术的牛识别

    使用两个深度学习分类模型进行牛的识别，实现了最高 99.5％的准确率，并探讨了模型训练和识别时间与机器性能的相关性。

    Nov, 2023

  • 动物个体再识别的相似度学习网络 —— 超越人类观察者的能力

    展示了将相似度比较网络应用于动物再识别的能力，同时证明了深度卷积神经网络在不同物种之间具有泛化性能，并通过比较两种相似性比较方法：Siamese 和 Triplet-Loss 以及五个数据集的实验结果，表明 Triplet Loss 的表现要优于 Siamese，在考虑均值平均精度（mAP）@ 1 和 mAP@ 5，并且并不需要进行任何针对特定物种的修改。

    Feb, 2019

  • 评估小型脚印深度学习方法在新标注数据集上的西地中海湿地鸟类分类

    本文提出了一种基于生态学价值自动化分析和检测鸟类物种的专家系统的部署，该系统通过无线声学传感器网络和具有深度学习技术的深度神经网络来实现鸟类的准确分类，并对 VGG16、ResNet50 和 MobileNetV2 这三种深度神经网络的效果进行比较分析，发现 MobileNetV2 的 F1 得分优于 VGG16 而略低于 ResNet50，且模型大小小得多。

    Jul, 2022

  • 利用深度学习解决极度不均衡数据集的最佳实践：无人机图像中的哺乳动物检测

    本文提出了使用无人机和深度学习算法进行大规模野生动物普查，并通过优化卷积神经网络的训练方法和评估协议，将假阳性率降低一个数量级，大大提高了数据筛选和自动检测的效率。

    Jun, 2018

  • 自动识别野生大象

    本文结合目标部位定位、CNN 特征和支持向量机分类，建立了一个系统，通过少量的图片来识别大量的大象。系统在含有 2078 张 276 只大象的数据集上测试，最高测试准确率达到 56％和 80％，采用多张图片技术后测试准确率为 74％和 88％。

    Dec, 2018

  • 通過野生動物再識別增強理解能力

    我们通过使用 NumPy 从头实现 MLP，使用 Keras 进行 DCNN，以及使用 LightGBM 进行二元分类器，探索了野生动物重新识别领域，并分析了多模型在多数据集上的性能表现。

    May, 2024

  • 用于濒危动物种群监测的多物种目标检测无人机图像系统

    动物种群数量急剧下降，精确计数濒危物种的技术对于长期监测种群变化至关重要。本研究侧重于优化用于无人机图像的目标检测模型，以创建准确的动物物种计数。通过使用无人机拍摄的数百张图片和大量可获取的无人机图像数据集，我们将传统的 YOLOv8 架构进行了优化。我们训练了 30 个不同的模型，其中最大的模型具有 4370 万个参数和 365 个层，并利用超参数调整和数据增强技术来提高准确性。尽管最先进的 YOLOv8 基线在野生动物数据集上只有 0.7％的准确性，但我们的模型在相同数据集上达到 95％的准确性。最后，我们将模型部署在 Jetson Orin Nano 上，演示了低功耗实时物种检测，便于在无人机上进行推断。

    Jun, 2024

  • 使用遥感技术在野外检测牛和麋鹿

    本研究基于深度学习提出一种基线方法 CowNet, 用于同时估计图片中的动物数量和像素级别的位置信息，旨在支持生态研究。此外，我们还提出了一种评估方法，用于考虑噪声标签的不确定性和生态监测任务利益相关者的信息需求。最终，我们利用该方法评估了视觉计数对象场景中的基准方法，发现该模型在 Point Reyes Seashore, CA 地区的三个测试场景中表现最佳，平均精度为 0.56 到 0.61，平均召回率为 0.78 到 0.92。

    Jun, 2021