Jun, 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

PDF
TL;DR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。
animal populationsendangered speciesobject detection modelsdrone imagesspecies detection
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

  • 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

  • YOLO-Drone: 高空实时检测密集小物体

    研究提出了一种新的实时目标检测算法 YOLO-Drone，应用于两种新的无人机平台和特定光源，在 UAVDT 和 VisDrone 两个基准数据集以及夜间采集的自制数据集中表现优于现有的状态 - of-the-art 方法，并且在硅基金光 LED 下的性能表现明显优于普通光源，证明了该算法对无人机领域中的目标检测特别是夜间检测任务具有高效的解决方案。

    Apr, 2023

  • 生态相机陷阱数据的深度学习目标检测方法

    本文论述了如何通过使用深度学习方法对相机陷阱图像进行自动化数据分析，演示了以 Faster R-CNN 和 YOLO v2.0 作为分类器识别、量化和定位相机陷阱图像中的物种，进而应用于生态研究。结果显示 Faster R-CNN 的分类准确率高达 93.0％，取得了很好的效果。

    Mar, 2018

  • 针对航空图片的 YOLOv4 目标检测分析与改进

    本文介绍了一种基于 YOLOv4 的计算机视觉算法，可以快速准确地检测无人机航拍图像中的目标物体，可应用于实时监测等领域。

    Mar, 2022

  • YOLOv8 实时飞行物体检测

    本文提出了一种广义飞行物实时检测模型，可用于迁移学习和进一步研究，同时提出了一种可用于实现的改进模型。通过将第一通用模型训练在包含 40 种不同类别的飞行物数据集上，我们可以使模型提取抽象特征表示，然后在代表真实世界环境的数据集上执行传递学习，从而生成改进的模型，并且我们尝试使用当前最先进的单发探测器 YOLOv8 来解决一些出现的挑战。最后得到的模型达到了 0.685 的 mAP50-95 和 50fps 的平均推断速度。

    May, 2023

  • 利用航空图像进行水鸟监测的深度目标检测

    本文介绍了一种基于深度学习技术的无人机航拍水鸟监测的方法，通过使用卷积神经网络对象检测器检测 16 种常见的殖民性海鸟物种，并成功地监测海鸟数量，将有助于评估生态系统健康状况和制定保护管理决策。

    Oct, 2022

  • 利用摄像机陷阱图像和深度学习消除在鸟类分类中的人为瓶颈

    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

  • 利用无人机热像和目标检测的自动野生动物检测的实证研究

    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

  • 面向高性能目标检测的研究：基于 ViT 和基于 CNN 的深度学习模型的无人机检测的洞察

    使用无人机数据集以及卷积神经网络（CNN）和视觉变换器（ViT）模型，本文重新评估了准确的无人机检测任务，表明基本的 ViT 模型在单一无人机检测方面的性能比最佳 CNN 迁移学习模型提升了 4.6 倍，并且通过多无人机检测实现了令人印象深刻的 98% 和 96% 的 mAP 值。作者总结了 ViT 和 CNN 模型的独特特点，以帮助未来研究者开发更高效的深度学习模型。

    Aug, 2023