基于对象检测和多对象跟踪网络的有效方法来监测鸟类

科学领域:

• 计算机视觉 计算机视觉
• 生态监测 生态监测
• 人工智能的人工智能

背景情况:

• 传统的鸟类监测依赖于人工现场方法,如点数计数,这些方法往往效率低下,容易出现错误.
• 准确的物种识别和种群评估对于有效的鸟类保护至关重要.
• 目前方法的局限性阻碍了对鸟类种群的全面研究.

研究的目的:

• 开发一种高效准确的湿地鸟类监测自动化方法.
• 加强对象检测和多对象跟踪,用于鸟类物种识别和种群计数.
• 改进现有的鸟类监测技术,以获得更好的保护成果.

主要方法:

• 用于鸟类检测 (3,737张图像) 和多对象跟踪 (11,139张图像) 的手动注释数据集的构建.
• 对最先进的物体检测网络进行比较分析,确定YOLOv7是最有效的.
• 用GAM模块和Alpha-IoU损失增强YOLOv7,以提高检测和界限框回归的准确性.
• 与DeepSORT集成,用于鸟类跟踪,分类计数和基于区域的群体分布分析.

主要成果:

• 增强的YOLOv7网络实现了高精度,mAP@0.5达到0.951和mAP@0.5:0.95达到0.815.
• 提出的方法成功地将检测,跟踪和分类集成为全面的鸟类监测.
• 获得了精确的特定物种计数和群体分布信息.

结论:

• 开发的基于人工智能的系统为湿地鸟类监测提供了高效和准确的解决方案.
• 这种自动化方法克服了鸟类保护中传统手工方法的局限性.
• 该方法为了解鸟类种群及其分布提供了有价值的数据,支持保护战略.