在城市环境中使用深度学习自动检测野

科学领域:

• 生态生态学 生态生态学
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 野生子过度繁殖破坏了香港的城市生态系统.
• 精确的人口估计对于控制至关重要,但在复杂的城市环境中很难.
• 深度学习和计算机视觉为子监控提供了潜力.

研究的目的:

• 为野生子检测提出一个改进的深度学习模型.
• 解决城市环境中野生子种群监测和估计所面临的挑战.

主要方法:

• 开发了一个改进的深度学习模型:Swin-Mask R-CNN与切片辅助超推理 (SAHI).
• 该模型使用Swin变压器网络 (STN) 进行特征提取,以及特征金字塔网络 (FPN) 进行多级特征融合.
• 采用三个头部分支用于分类,界限框预测和细分,SAHI增强了小目标检测.

主要成果:

• 拟议的Swin-Mask R-CNN与SAHI模型展示了野生子的出色识别性能.
• 该模型有效地处理在城市环境中检测子的复杂性.

结论:

• 开发的深度学习模型是野生子监测和种群估计的一个有前途的工具.
• 这种方法可以帮助制定有效的策略来管理城市生态系统中的野生子种群.