解决相机陷图像中动物检测的重大挑战:一种基于深度学习的新方法

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:

• 摄像机陷对于野生动物监测至关重要,但手动图像分析是劳动密集型的.
• 现有的深度学习模型面临着不平衡数据,相似物种和背景变化等挑战.
• 当前模型在新环境中的有限适用性阻碍了广泛采用.

研究的目的:

• 开发一个强大的两阶段深度学习框架,用于准确的自动化野生动物检测.
• 解决当前模型在处理数据不平衡,物种相似性和背景复杂性方面的局限性.
• 提高相机陷图像分析的通用性和有效性.

主要方法:

• 一个新的两阶段深度学习框架,结合了全球模型和专业专家模型.
• 利用聚合集群来按外表分组动物进行专门的检测.
• 从预先训练的MegaDetectorV5 (YOLOv5) 模型中进行杆转移学习.
• 训练有素的专家模型用于在聚类组内识别细粒度物种.

主要成果:

• 在来自 91 个相机陷的 130 万张图像的数据集上,获得了 96.2% 的高 F1 评分.
• 与现有的野生动物检测深度学习模型相比,证明了卓越的性能.
• 成功地解决了不平衡数据,相似物种和背景变化的挑战.

结论:

• 拟议的两阶段深度学习框架显著提高了自动化野生动物检测的精度和有效性.
• 这种方法为使用摄像头陷数据进行生态监测提供了更可靠和可扩展的解决方案.
• 这种方法显示出在各种生态系统中应用的巨大潜力,并用于识别广泛的物种.