利用深度学习自动识别、计数与描述相机陷阱图像中的野生动物
计算机视觉与模式识别
2017-11-17 v5 机器学习
摘要
拥有关于野外动物位置和行为的准确、详细且及时的信息，将彻底改变我们研究和保护生态系统的能力。我们研究了自动、准确且低成本地收集此类数据的能力，这有可能将生物学、生态学和动物学的许多领域转变为“大数据”科学。运动传感器“相机陷阱”能够以低成本、非侵入且频繁的方式采集野生动物图片。然而，从这些图片中提取信息仍然是一项昂贵、耗时且依赖人工的任务。我们证明，此类信息可以通过深度学习这一前沿人工智能技术自动提取。我们训练深度卷积神经网络，在包含320万张图像的Snapshot Serengeti数据集中识别、计数并描述48个物种的行为。我们的深度神经网络自动识别动物的准确率超过93.8%，并且我们预期该数字在未来几年将迅速提升。更重要的是，如果我们的系统仅对其有信心的图像进行分类，它可以自动化处理99.3%数据的动物识别任务，同时保持与人类志愿者众包团队相同的96.6%准确率，从而在这320万张图像的数据集上节省超过8.4年（按每周40小时计算）的人工标注工作量（即超过17,000小时）。这些效率提升直接凸显了使用深度神经网络自动从相机陷阱图像中提取数据的重要性。我们的结果表明，这项技术能够实现对野外大量动物丰富信息的低成本、非侵入、高通量甚至实时采集。
引用
@article{arxiv.1703.05830,
title = {Automatically identifying, counting, and describing wild animals in camera-trap images with deep learning},
author = {Mohammed Sadegh Norouzzadeh and Anh Nguyen and Margaret Kosmala and Ali Swanson and Meredith Palmer and Craig Packer and Jeff Clune},
journal= {arXiv preprint arXiv:1703.05830},
year = {2017}
}