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

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

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

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

本文讨论了一种从海洋环境中的航空图像中进行弱监督动物检测的重建方法，该方法利用异常检测框架直接计算输入空间的度量，与特征嵌入方法相比具有更好的可解释性和异常定位能力，同时在处理嘈杂数据方面具有优势，提供了有价值的洞察力，推动了监测海洋生态系统并减缓人类活动对海洋动物的影响的发展。

Jul, 2023

本研究开发了自动分析照相陷阱视频以识别动物个体的管道，该管道基于计算机视觉和深度学习组件，特别是卷积神经网络和尺度不变特征变换，并在非人工交互方面实现了额外组件。该管道可用于保护项目，以减少手动分析工作的时间和提高个体识别的成功率。

Apr, 2023

本文探讨探索深度卷积神经网络的力量，提出了一种弱监督的深度检测架构，该架构可以同时进行区域选择和分类，并使用图像分类器训练，从而比实现图像级分类任务的标准数据增强和微调技术更好地学习目标探测器。

Nov, 2015

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