一种用于红外相机图像中动物分类与检测并支持部署后自动再训练的可解释深度视觉系统
计算机视觉与模式识别
2021-03-09 v3
摘要
本文介绍了一个用于德克萨斯州公园与野生动物部管辖野外红外相机图像中动物检测的自动化视觉系统。由于传统野生动物计数技术具有侵入性且劳动密集，红外相机成像是一种相对非侵入性的捕捉野生动物活动的方法。然而，鉴于红外相机产生的大量图像，人工分析图像仍然耗时且低效。我们实现了一个两阶段深度卷积神经网络流水线，在第一阶段找出含动物的图像，然后在第二阶段处理这些图像以检测鸟类。该动物分类系统对动物图像的分类总体灵敏度为93%、特异度为96%。鸟类检测系统的灵敏度优于93%、特异度为92%、平均交并比率为68%。整个流水线处理一幅图像耗时少于0.5秒，而人工标注者平均需30秒。我们还解决了动物分类系统因图像特征随季节变化而产生数据漂移的部署后问题。该系统利用自动再训练算法检测数据漂移并更新系统。我们提出了一种检测漂移图像并触发再训练过程的新技术。还给出了两个统计实验以解释动物分类系统的预测行为。这些实验研究了引导系统做出特定决策的线索。统计假设检验表明，输入图像中动物的存在对系统决策有显著贡献。
引用
@article{arxiv.2010.11472,
title = {An explainable deep vision system for animal classification and detection in trail-camera images with automatic post-deployment retraining},
author = {Golnaz Moallem and Don D. Pathirage and Joel Reznick and James Gallagher and Hamed Sari-Sarraf},
journal= {arXiv preprint arXiv:2010.11472},
year = {2021}
}