深度学习和后处理算法的性能对视频上评估的生物多样性指标的影响

科学领域:

• 生态生态学 生态生态学
• 计算生物学 计算生物学
• 保护科学 保护科学

背景情况:

• 生物多样性危机需要有效的监测,视频调查提供了一种非侵入性的方法.
• 分析视频数据耗时,需要专业知识,阻碍生物多样性评估.
• 深度学习的进步改善了图像处理,但它们对视频中的生物多样性指标的影响尚不清楚.

研究的目的:

• 评估视频处理速度,模型性能和后处理如何影响生物多样性指标的准确性.
• 用视频数据确定自动化生物多样性评估的最佳参数.
• 确定最有效的后处理策略,以准确估计生物多样性.

主要方法:

• 使用模拟鱼群远程视频进行了模拟.
• 分析了14406个模拟的自动化处理管道.
• 评估了处理速度,检测/识别模型和后处理算法的影响.

主要成果:

• 每秒一张图像的处理速度将错误降到最低,并确保了物种检测.
• 几乎完美的检测和识别模型仍然导致了生物多样性指标的高估,因为错误的阳性.
• 使用信心值进行后处理是准确估计生物多样性的最有效方法.

结论:

• 优化视频处理速度和模型性能对于生物多样性监测至关重要.
• 即使是非常准确的模型也需要仔细的后处理,以避免生物多样性指标的偏差.
• 自信门对于通过自动化视频分析可靠地估计生物多样性至关重要.