分析CNN-YOLO和基于变压器的架构的增强,以便在复杂的生态环境中实时检测动物
Ali Raza1, Fareeha Hanif2, Heba Abdelgader Mohammed3
1Department of Mathematics, University of the Punjab, Lahore, Pakistan. alleerazza786@gmail.com.
Scientific reports
|November 7, 2025
概括
这篇评论综合了自动动物检测方法,突出了You Only Look Once (YOLO) 架构的实时性能. 变压器增强的YOLO模型显示高精度,但边缘部署面临记忆和概括挑战.
科学领域:
- *生态监测和野生动物保护
- * 农业技术与畜牧业
- * 计算机视觉和机器学习
背景情况:
- * 摄像头陷,无人机和传感器越来越多的视觉数据需要自动化动物检测.
- * 传统的卷积神经网络 (CNN) 难以应对计算成本和实时推断.
- * 你只看一次 (YOLO) 系列为动态环境提供了速度和准确性的平衡.
研究的目的:
- * 提供动物检测技术的时间表,从早期方法到先进的YOLO和变压器模型.
- * 比较分析各种检测框架的性能权衡 (准确性,速度,稳定性,部署).
- * 确定持续存在的挑战,并探索用于实际部署的增强策略.
主要方法:
- * 按照PRISMA指南进行的系统文献审查 (2015-2025年,包括142项研究).
- * 对不同数据集 (摄像机陷,无人机,卫星) 的检测方法进行比较分析.
- * 评估增强策略 (注意力机制,少量学习,域调整) 和边缘计算平台.
主要成果:
- * 变压器增强的YOLO变种在摄像头陷数据上达到高达94%的mAP.
- *轻量级的YOLOv7-SE和YOLOv8为无人机成像提供高FPS (≥60).
- * 挑战包括小物体检测,阶级不平衡和跨地理概括.
结论:
- *YOLO架构,特别是变压器增强版本,对于实时,准确的动物检测至关重要.
- *在Jetson Nano和Coral TPU等平台上进行边缘部署是可行的,但受到内存和通用化的限制.
- * 需要进一步的研究,以解决在保护和农业中广泛应用的部署限制.
