面向相机陷阱动物检测的模型无关主动学习方法
计算机视觉与模式识别
2025-07-10 v1
摘要
智能数据选择正变得越来越重要于数据驱动的机器学习中。主动学习提供了一条通过从大数据集中选择最具信息量的样本来有效训练机器学习模型的途径。 Wildlife data captured by camera traps are excessive in volume，需要巨大的努力进行数据标注和动物检测模型训练。因此，将主动学习应用于优化标注数据的量量将是实现自动化野生动物监测和保护的有力帮助。然而，现有主动学习技术要求机器学习模型（即目标检测模型）完全可访问，限制了技术的适用性。在本文中，我们提出了一种用于从相机陷阱检测动物的模型无关主动学习方法。我们的办法将样本在对象级别和图像级别上的不确定性和多样性量整合到主动学习样本选择过程中。我们在基准动物数据集上验证了该方法。实验结果表明，使用我们方法选择的仅30%训练数据，即可实现与使用完整训练数据相当或更好的动物检测器性能。
引用
@article{arxiv.2507.06537,
title = {A model-agnostic active learning approach for animal detection from camera traps},
author = {Thi Thu Thuy Nguyen and Duc Thanh Nguyen},
journal= {arXiv preprint arXiv:2507.06537},
year = {2025}
}