现场监测危和稀有野生动物:一个基础深度学习模型,集成人类知识,以少量数据和低成本的增量识别

科学领域:

• 生物多样性保护 生物多样性保护
• 人工智能在野生动物监测中的应用
• 计算机视觉为生态学的计算机视觉

背景情况:

• 对危野生动物和稀有野生动物的有效监测对于生物多样性保护至关重要.
• 目前的野生动物识别算法在有限的训练数据下扎,无法发现未知的物种.
• 需要智能系统,以最小的资源实现高精度,并能够识别新型物种.

研究的目的:

• 提出并验证KI-CLIP方法用于智能野生动物监测.
• 为了应对有限的数据可用性和在野生动物保护中发现未知的物种的需求所带来的挑战.
• 开发一个能够高精度的系统,使用很少的训练样本和增量学习来检测新物种.

主要方法:

• 介绍了CLIP (对比语言图像预训练),这是一个基础深度学习模型,应用于动物识别,并添加了浅层网络.
• 纳入专家描述文本以提高有限样本数据的性能,模仿动物学家的识别能力.
• 设计一个简单的增量学习模块,用于检测未知的物种.

主要成果:

• KI-CLIP只用8个培训样本实现了90%以上的识别准确度,用16个培训样本实现了97%以上的识别准确度.
• 该方法通过广泛的比较和废除实验,在12个现实世界数据集中证明了其有效性.
• 该系统可以在几秒钟内在多个现实世界的场景中进行训练.

结论:

• KI-CLIP是一种高效的实用动物监测方法,解决了当前算法的关键局限性.
• 拟议的系统为生物多样性保护提供了一种可行的解决方案,通过使用有限资源准确识别和发现野生动物.
• KI-CLIP的逐步学习和使用少数样本的性能使其适合于现实世界的生态应用.