Jun, 2024

卷积神经网络用于四足动物品种的侧向预测器

PDF
TL;DR使用迁移学习对流行的 CNN 图像分类架构进行训练，以预测图片中四足哺乳动物物种的可见侧面，从而提高对个体的识别准确性。在不同的未知环境和地理位置下，通过已有数据集进行模型评估，最终在复杂栖息地下对拍摄于巴伐利亚森林国家公园的欧亚猞猁数据集进行验证，最佳模型（使用 EfficientNetV2 骨干）达到 88.70% 的准确率。
bilateral asymmetryvisual body marksindividual identificationtransfer learningquadruped mammalian species
发现论文，激发创造
  • 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

  • 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

  • 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

  • 基于 CNN 的视频动物行为识别与姿态估计：综述

    本研究概述了基于卷积神经网络体系结构的人类动作识别和姿态估计方法，并将其用于动物行为分类的技术进化及其架构适应性的分析。

    Jan, 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

  • 大小生物之形态和动作恢复：基于视频的应用

    系统通过机器学习前端预测 2D 关节位置，离散优化获得关节对应关系，并通过能量最小化配合 3D 模型恢复出广泛种类的四足动物的 3D 形状与运动，该系统在动物视频测试中展现出精准重建的能力。

    Nov, 2018

  • 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

  • 牛只再识别的多视图嵌入

    研究使用深度卷积神经网络实现牲畜重新识别，将该任务与人类重新识别任务进行比较，并探讨其独特挑战，并通过与基于深度架构和标准机器学习算法的不同基线进行比较，并展示了丰富的剖析研究以进一步研究该任务的独特特性。

    Feb, 2019

  • 一份新颖的四足动物关键点检测数据集

    本文介绍了使用深度学习模型结合 AwA Pose 数据集识别四足动物关键点的研究成果，该数据集涵盖了较多动物种类及关键点数量，可以帮助计算机视觉领域研究构建更准确的模型。

    Aug, 2021

  • 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