面向生态相机陷阱数据的深度学习目标检测方法
计算机视觉与模式识别
2018-03-30 v1
摘要
用于计算机视觉任务的深度学习方法在自动化相机陷阱图像数据分析方面展现出前景。生态相机陷阱是监测生态系统动物种群的常用手段，因为它们能在不具侵入性的情况下持续提供环境洞察。然而，相机陷阱图像的分析昂贵、费力且耗时。目标检测深度学习领域的近期进展为自动化相机陷阱图像分析带来希望。在此，我们通过训练并比较两种深度学习目标检测分类器 Faster R-CNN 和 YOLO v2.0，利用 Reconyx Camera Trap 和自标注的 Gold Standard Snapshot Serengeti 数据集来识别、量化并定位相机陷阱图像中的动物物种，以展示其能力。当在大型标注数据集上训练时，目标识别方法已显示成功。我们通过测试在利用迁移学习时目标检测方法是否适用于生态研究场景，在真实规模的生态数据集背景下展示了其用途。Faster R-CNN 在两个数据集上的平均准确率分别为 93.0% 和 76.7%，优于 YOLO v2.0。我们的发现朝着标注相机陷阱图像这一繁重任务的自动化迈出了有前景的步伐，可用于增进我们对全球生态系统种群动态的理解。
引用
@article{arxiv.1803.10842,
title = {Deep Learning Object Detection Methods for Ecological Camera Trap Data},
author = {Stefan Schneider and Graham W. Taylor and Stefan C. Kremer},
journal= {arXiv preprint arXiv:1803.10842},
year = {2018}
}
备注
8 pages, 6 figures, Conference of Computer and Robot Vision