选用适宜平台与工作流以人工智能处理相机陷阱数据
机器学习
2022-02-07 v1
摘要
相机陷阱改变了生态学家研究野生动物物种分布、活动模式与种间相互作用的方式。尽管相机陷阱提供了一种具成本效益的物种监测方法，但数据处理所需时间会限制调查效率。因此，人工智能（AI），特别是深度学习（DL）用于处理相机陷阱数据的潜力已获得相当关注。将这些应用中的 DL 涉及训练算法（如卷积神经网络（CNNs））以自动检测物体并分类物种。为克服与训练 CNNs 相关的技术挑战，若干研究团体近期开发了将 DL 嵌入易用界面的平台。我们回顾了四个 AI 驱动平台的关键特征——Wildlife Insights（WI）、MegaDetector（MD）、Machine Learning for Wildlife Image Classification（MLWIC2）与 Conservation AI——包括数据管理工具与 AI 功能。我们亦在一个开源 GitBook 中提供 R 代码，以演示用户如何评估模型表现并将 AI 输出纳入半自动化工作流。我们发现 WI 与 MLWIC2 的物种分类召回值普遍较低（图像中存在的动物常未被分类至正确物种）。然而，WI 与 MLWIC2 对某些物种分类的精确率较高（即分类作出时通常准确）。MD 使用更宽泛类别（如“空白”或“动物”）分类图像，表现亦良好。因此我们总结，尽管物种分类器尚不足以自动化图像处理，DL 可通过接受某些物种高置信度分类或过滤含空白图像来提升效率。
引用
@article{arxiv.2202.02283,
title = {Choosing an Appropriate Platform and Workflow for Processing Camera Trap Data using Artificial Intelligence},
author = {Juliana Vélez and Paula J. Castiblanco-Camacho and Michael A. Tabak and Carl Chalmers and Paul Fergus and John Fieberg},
journal= {arXiv preprint arXiv:2202.02283},
year = {2022}
}
备注
30 pages, 2 figures, 3 tables