成功和陷:深度学习在切尔诺贝利现场摄像机陷应用程序中的有效性
Rachel E Maile1, Matthew T Duggan1,2,3, Timothy A Mousseau1
1Department of Biological Sciences University of South Carolina Columbia South Carolina USA.
Ecology and evolution
|September 7, 2023
概括
使用深度学习模型进行摄像头陷图像分析,可以通过考虑环境因素来改进. 使用多样化的数据进行培训有助于减轻天气和照明造成的问题,提高野生动物监测的准确性.
科学领域:
- 生态生态学 生态生态学
- 人工智能的人工智能
- 野生动物保护 野生动物保护
背景情况:
- 摄像机陷对于野生动物监测至关重要,提供有关动物种群和生态系统健康的数据,特别是在具有挑战性的环境中.
- 手动图像处理耗时且昂贵,导致机器学习的采用,特别是卷积神经网络 (CNN).
- 对于CNN来说,一个重大挑战是需要大量的数据集 (数百万张图像) 来实现高精度,这往往是不切实际的.
研究的目的:
- 调查特定的摄像头陷放置因素如何影响在有限的数据集上训练的深度学习模型的准确性.
- 评估环境变量如天气和日光对CNN在分类摄像头陷图像中的表现的影响.
- 探索改善野生动物监测CNN准确性的方法,即使使用较小的训练数据集.
主要方法:
- 通过转移训练,一个卷积神经网络 (CNN) 使用来自切尔诺贝利禁区的9576个摄像头陷图像识别了16个对象类 (14种动物,人类,火).
- 该研究分析了CNN分类成功与环境因素之间的相关性,包括风速,云层覆盖,温度,图像对比度和降雨.
- 模型的性能在不同的白天条件下以及降雨或不降雨的情况下进行了评估.
主要成果:
- 在CNN成功率和大多数环境环境条件 (风速,云层覆盖,对比度) 之间没有发现显著的相关性.
- 在环境温度和CNN模型成功之间观察到潜在的积极关系.
- 美国有线电视新闻网的模型在白天和没有降雨的情况下显示出更高的准确性.
结论:
- 天气和照明等环境因素可以引入假负和假阳性,挑战自动图像分类.
- 虽然一些环境条件并没有显著影响CNN的表现,但温度显示了可能的正相关性.
- 将环境条件考虑的动态数据集用于深度学习模型的训练可以最大限度地降低它们对野生动物监测分类准确性的影响.
