May, 2024

了解训练集大小对动物重新识别的影响

PDF
TL;DR最近自动识别动物个体的方法在相机陷阱和公众科学项目中的应用开启了研究野生动物的新可能性。本研究通过对六种不同方法和五种动物物种的全面实验来深入探讨训练数据集规模对算法性能的影响，结果显示基于局部特征和端到端学习的方法都有优势，但对于野生动物种类来说，基于局部特征的方法更实用，同时特定物种的特性，尤其是个体间差异对训练数据要求有显著影响。
发现论文，激发创造
  • 利用计算机视觉技术从相机陷阱数据中重新识别动物的过去、现在和未来方法

    通过使用计算机视觉和深度学习的新方法，生态学家可以提取图像 / 视频数据中的动物并训练深度学习分类器以重新识别动物个体，从而从根本上改变相机陷阱数据的分析方式并革命动物生态学方法。

    Nov, 2018

  • 野生动物图像的迭代式人工和自动识别

    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

  • iWildCam 2021 比赛数据集

    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

  • 应对房间里的大象：无监督基于部件的特征对齐的稳健动物再识别

    本研究提出了一种方法来排除训练和评估阶段的背景偏差，通过在动物重新识别中使用无监督技术实现特征对齐和姿势变化，从而在 ATRW、YakReID-103 和 ELPephants 等关键动物重新识别数据集上取得了卓越的结果。

    May, 2024

  • 图案物种中个体的自动检测与识别

    开发了一个自动检测和识别老虎、斑马和美洲豹等有斑点物种个体的框架，使用了 Faster-RCNN 目标检测框架来有效地在图像中检测动物，在动物的侧面提取 AlexNet 特征并训练逻辑回归 (或线性 SVM) 分类器来识别个体。在相机陷阱老虎图像数据集上测试和评估后发现，和最先进的识别技术相比，我们的框架在检测结果方面具有完美的表现，在个体的识别方面，表现相似或更好。

    May, 2020

  • 高效掌握大规模多标签图像识别在相机陷阱图像中的应用

    本文介绍了基于机器学习的相机陷阱图像批注方法。我们的方法通过只查看每个图像一次，不使用增量方法，依靠相对较大的数据集，在单个 GPU 上训练了一个高分系统，从而获得 97% 的准确率，并超过了人类的表现水平。

    Aug, 2020

  • 结合特征聚合和几何相似性进行有图案动物再识别

    图像基础下的动物个体再识别通过分析动物个体的固有毛皮、羽毛或皮肤图案来研究动物种群的时移模式，本文通过结合两种类型的图案相似度度量（图案特征聚合得到的图案外观相似度和分析图案相似性的几何图案相似度）提出了一种高效利用局部和全局图案特征的再识别方法，适用于多种不同类型的图案。实验部分表明，该方法在洞庭湖环封印和鲸鲨的再识别准确度上表现出了有希望的结果。

    Aug, 2023

  • 摄像陷阱图像中零样本动物物种识别的多模态基础模型

    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

  • 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

  • 一种用于相机陷阱图像物种识别和计数的深度主动学习系统

    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