狒狒之地数据集:野外灵长类追踪与无人机视频行为识别自动化
本论文介绍了 ChimpBehave,一个包含超过 2 小时视频(约 193,000 帧)的新型数据集,用于动作识别,通过与现有数据集对齐,可以研究领域自适应和跨数据集泛化方法,并使用最先进的基于 CNN 的动作识别模型提供了首个基准结果。
May, 2024
通过使用稠密姿态 - C 黑猩猩身体部位分割流,本文首次提出了度量学习系统用于识别大型人猿的行为动作,并在 PanAf-500 数据集上取得了 12% 的性能提升,通过长尾识别技术,平均每类准确性可提高 23%。
Jan, 2023
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
通过使用常用的机器学习方法,该研究论文介绍了一个基于棕猿检测和分类的流程,旨在通过触摸屏设备在棕猿围栏内无需人工辅助地进行测试。使用半自动方式生成的棕猿录音数据集被引入。这些录音数据具有弱标签,并被输入到猕猴检测器中以空间上检测视频中的个体。研究了手工特征结合不同的分类算法和使用 ResNet 架构的深度学习方法来进行棕猿识别。性能通过使用不同的数据分离方法对数据库进行分割后的分类准确性进行比较。我们展示了数据准备的重要性以及错误的数据分离如何导致虚假的良好结果。最后,在对数据进行有意义的分离之后,使用经过微调的 ResNet 模型获得了最佳的分类性能,准确率达到了 75%。
Sep, 2023
引入一个大型、多样化的浣熊行为识别视频数据集,包括群体社交互动、相机视野内个体的跟踪、不同光照条件等,共包括来自新西兰惠灵顿动物园的 20 个视频和 15 个未注释的视频,共计 848,400 个已注释帧。
Jun, 2023
本研究提出了一种基于序列分析方法对野生动物数据进行行为注释,特别是对社会群体的集体行为进行分类的方法,并在真实数据集上进行了评估,显示出相比基线方法显著的准确度提高。
Jul, 2019
计算机视觉在动物认知和行为研究中有巨大潜力,但目前在野外视频中仍存在巨大的实践挑战,本文通过综述当前相关方法和引导行为科学家以及计算机视觉研究人员来逐渐填补这一差距。
Jan, 2024
PanAf20K 数据集是迄今为止最大、最多样化的自然环境中大猩猩的开放视频数据集,涵盖了非洲热带地区的 18 个实地点的约 20,000 个照相机陷阱视频的 700 万多帧。该数据集的丰富注释和基准使其适用于训练和测试多种具有挑战性和生态重要性的计算机视觉任务,包括猩猩检测和行为识别,以在支持评估大猩猩的存在、数量、分布和行为,并帮助保护工作中提高性能、效率和结果解释方面,开展 AI 分析照相机陷阱信息至关重要。
Jan, 2024
通过无人机和红外成像技术,人工智能在野生动物管理中可以提供有效的数据收集和解释方法,并有望取代传统费时的野外技术,覆盖更大的区域,该研究对基于无人机的野生动物监测进行了全面回顾和经验研究,通过专家标注红外成像数据集中的树栖和地栖野生动物,并对实验结果进行了性能评估,以此识别问题并讨论无人机在自动动物监测中的未来方向。
Oct, 2023
提出了一个名为 MammalNet 的新大规模动物行为数据集,包括 173 种哺乳动物的 17 个目、69 个科,该数据集涵盖了过去动物行为研究中关注的 12 种高级动物行为,并在其上建立了三种基准。
Jun, 2023