在无人机图像中检测哺乳动物：使用深度学习处理高度不平衡数据集的最佳实践
计算机视觉与模式识别
2018-07-02 v1
摘要
了解大型野生动物保护区的动物数量对于公园管理员保护濒危物种至关重要。人工动物普查危险且昂贵，因此配备消费级数码相机的无人机(UAV)正成为估算动物数量的流行替代工具。已有若干工作提出半自动处理无人机图像以检测动物，其中一些采用了卷积神经网络(CNN)——这是一类近期在计算机视觉大型数据集目标检测中证明非常有效的深度学习算法。然而，大多数与野生动物相关的工作仅关注小型数据集（通常是无人机航拍活动的子集），当面对大型哺乳动物普查的真实研究区域规模时，这可能是不利的。在这种情况下，方法可能产生数千个误报。在本文中，我们研究了如何将CNN扩展到大型野生动物普查任务，并提出了一系列在大型无人机数据集上训练CNN的建议。我们进一步引入了专门针对普查和模型对后续人工验证检测结果适用性的新型评估协议。使用我们的建议，我们能够训练一个CNN，与先前最先进技术相比，将误报数量减少一个数量级。将要求设定为90%召回率时，我们的CNN可以将需要人工验证的数据量减少三倍，从而使管理员能够高效地筛选所有获取的数据，并自动检测到保护区内几乎所有的动物。
引用
@article{arxiv.1806.11368,
title = {Detecting Mammals in UAV Images: Best Practices to address a substantially Imbalanced Dataset with Deep Learning},
author = {Benjamin Kellenberger and Diego Marcos and Devis Tuia},
journal= {arXiv preprint arXiv:1806.11368},
year = {2018}
}