深度学习工作流支持在飞行过程中处理用于野生动物种群调查的数字空中图像
Tsung-Wei Ke1, Stella X Yu1,2, Mark D Koneff3
1University of California Berkeley, Berkeley, California, United States of America.
PloS one
|April 3, 2024
概括
深度学习模型可以从空中图像中自动检测野生动物,以有效地监测人口. 一个二进制分类器优于Mask R-CNN在航空图像中的初始鸟类检测,优化处理工作流.
科学领域:
- 野生动物生物学 野生动物生物学
- 计算机科学 计算机科学
- 遥感是一种远程传感.
背景情况:
- 通过空中图像自动检测野生动物,为人口监测提供成本效益高的远程传感.
- 飞行过程中的处理需要高效的深度学习方法来处理硬件限制和近实时数据分析.
研究的目的:
- 评估深度学习方法,用于自动,在飞行中检测和分类的海鸟从航空图像.
- 为处理大量空中野生动物数据,优化一个三阶段的工作流.
主要方法:
- 从高分辨率的空中图像中开发了一个对海鸟的注释数据集.
- 将二进制分类器与基于Mask区域的卷积神经网络 (Mask R-CNN) 进行图像级鸟类发生过.
- 使用Mask R-CNN,用于用于鸟类实例检测的代改进方法.
主要成果:
- 二进制分类器在图像级鸟类发生预测方面表现优于Mask R-CNN.
- 通过代改进增强的Mask R-CNN对鸟类实例检测有效.
- 该研究建立了飞行中的自动化野生动物数据处理的基础工作流.
结论:
- 对于自动化处理工作流的初始过阶段,建议使用二进制分类器.
- 深度学习方法显示了使用空中图像实时监测野生动物的巨大潜力.
- 需要进一步的研究来推进工作流程的分类分类阶段.
