相关实验视频
Updated: Jan 9, 2026
09:47
Spotting Cheetahs: Identifying Individuals by Their Footprints
Published on: May 1, 2016
15.3K
一个改进的轻量级模型,用于在摄像机陷图像中检测受保护的野生动物
Zengjie Du1,2,3, Dasheng Wu1,2,3, Qingqing Wen4
1College of Mathematics and Computer Science, Zhejiang A&F University, Hangzhou 311300, China.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
本研究介绍了YOLO11-APS,这是一种轻量级的深度学习模型,用于使用摄像头陷高效地检测受保护的野生动物. 它提高了准确性,并降低了计算成本,以改善生物多样性保护工作.
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:
- 有效的野生动物监测对于生物多样性保护至关重要.
- 目前的深度学习模型难以检测罕见物种,并且具有高的计算需求,限制了边缘设备的部署.
- 需要有效和准确的野生动物检测模型来进行生态观测.
研究的目的:
- 提出YOLO11-APS,一个改进的轻量级深度学习模型,用于保护野生动物的检测.
- 增强功能提取并降低在边缘设备上部署的计算成本.
- 为了在检测准确性和模型复杂性之间取得平衡.
主要方法:
- 将自我注意和卷积 (ACmix) 模块,部分卷积 (PConv) 模块和SlimNeck范式集成到YOLO11n架构中.
- 开发一种轻量级模型来检测受保护的野生动物.
- 对检测性能和模型复杂性的实验性评估.
主要成果:
- YOLO11-APS实现了卓越的检测性能:92.7%的精度,87.0%的回忆,92.6%的mAP@0.5和62.2%的mAP@0.5:0.95.
- 模型轻量化导致参数减少10.1%,FLOP减少11.1%,模型大小减少9.5%.
- 在精度和复杂性方面,YOLO11-APS优于现有的轻量级检测模型.
结论:
- YOLO11-APS为野生动物检测提供了准确性和模型复杂性之间的最佳平衡.
- 该模型在未见的野生动物数据上表现出强大的可转移性和稳定性.
- 这项工作为自动化野生动物监测和智能生态传感系统提供了有效的深度学习工具.
