基于深度学习的相机陷阱图像生态学分析受训练数据质量和数量的影响
计算机视觉与模式识别
2026-01-16 v3
摘要
大型相机陷阱图像集合为了解物种丰富度、占有率和活动模式提供了宝贵的见解，显著促进了生物多样性监测。然而，这些数据集的手动处理耗时，阻碍了分析进程。为此，广泛采用深度神经网络自动对图像进行标记，但分类误差对关键生态学指标的影响尚不明确。本文分析了来自非洲大草原（82,300 张标记图像，47 个物种）和亚热带干燥森林（40,308 张标记图像，29 个物种）的相机陷阱数据，比较了来自专家生成的物种识别与由深度学习分类模型生成的生态学指标。我们特别评估了深度学习模型架构、训练数据中标签噪声比例以及训练数据集大小对三个关键生态学指标（物种丰富度、占有率和活动模式）的影响。我们发现，来自深度神经网络推断的物种丰富度与来自专家标签计算的几乎一致，且对训练数据集中最高可达 10% 噪声（误标记图像）和训练数据集缩减 50% 的情况仍保持鲁健。我们发现，深度学习模型架构选择（ResNet 与 ConvNext-T）或深度（ResNet18、50、101）对预测的生态学指标没有影响。相反，物种特定指标更为敏感；较少见的和视觉相似的物种在深度神经网络准确率降低时被不成比例地影响，对占有率和昼夜活动模式估计产生了影响。为确保其发现的可靠性，实践者应优先创建大型、干净的训练集，并考虑物种间的类别不平衡，而不是探索众多深度学习模型架构。
引用
@article{arxiv.2408.14348,
title = {Deep learning-based ecological analysis of camera trap images is impacted by training data quality and quantity},
author = {Peggy A. Bevan and Omiros Pantazis and Holly Pringle and Guilherme Braga Ferreira and Daniel J. Ingram and Emily Madsen and Liam Thomas and Dol Raj Thanet and Thakur Silwal and Santosh Rayamajhi and Gabriel Brostow and Oisin Mac Aodha and Kate E. Jones},
journal= {arXiv preprint arXiv:2408.14348},
year = {2026}
}
备注
Peggy A. Bevan, Omiros Pantazis: equally contributing authors. Published in Remote Sensing in Ecology and Conservation