深度学习在规划/工程领域生态学家使用的相机陷阱数据中的应用——圈养图像能否训练出泛化至野外的模型？

了解一个物种的丰度是理解其长期可持续性以及我们可能对其产生影响的第一步。生态学家使用相机陷阱来远程调查特定动物物种的存在。先前的研究表明，可以训练深度学习模型来自动检测和分类相机陷阱图像中的动物，并达到很高的置信度。然而，训练这些模型的能力依赖于拥有足够多的高质量训练数据。当动物稀有或数据集不存在时会发生什么？本研究提出一种使用稀有动物（以苏格兰野猫为例）的圈养图像来生成训练数据集的方法。我们探讨了将基于圈养数据训练的模型应用于野外收集的数据时所面临的泛化挑战。该研究以满足规划/工程领域生态学家的需求为背景。遵循其他研究的先例，本项目建立了一个包含目标检测、图像分割和图像分类模型的集成模型，然后使用不同的图像处理和类别结构化技术进行测试，以促进模型泛化。研究得出结论，在苏格兰野猫的背景下，使用现有技术，基于圈养图像训练的模型无法泛化到野外相机陷阱图像。然而，基于“野猫 vs 非野猫”二分类模型的最终性能，在仅包含 1% 野猫图像的测试集上，总体准确率达到 81.6%，野猫准确率达到 54.8%。这表明使用圈养图像是可行的，但需要进一步研究。这是首次尝试基于圈养数据生成训练集的研究，也是首次在规划/工程领域生态学家的背景下探索此类模型开发的研究。