在嵌入式系统中过滤空相机陷阱图像
计算机视觉与模式识别
2021-04-20 v1
摘要
通过相机陷阱监测野生动物会产生大量图像，其中很大一部分不包含动物，随后被丢弃。将深度学习模型嵌入这些设备中以直接识别动物并过滤这些图像，带来了诸如节省存储和数据传输等优势，而这类资源在此类设备中通常受限。在本工作中，我们提出了一项关于动物识别模型的比较研究，以分析边缘设备上精度与推理延迟之间的权衡。为实现该目标，我们研究了不同输入分辨率的分类器和目标检测器，并使用量化和减少模型滤波器数量对其进行了优化。每个模型的置信度阈值被调整为对非空类获得96%的召回率，因为空类实例预期被丢弃。实验表明，当使用相同的图像集进行训练时，检测器实现了更优的性能，在具有可比延迟的情况下比分类器多消除至少10%的空图像。考虑到为检测问题生成标签的高成本，当存在大量用于分类的标注图像（约一百万实例，是检测可用实例的十倍）时，分类器能够达到与检测器相当的结果，但延迟减半。
引用
@article{arxiv.2104.08859,
title = {Filtering Empty Camera Trap Images in Embedded Systems},
author = {Fagner Cunha and Eulanda M. dos Santos and Raimundo Barreto and Juan G. Colonna},
journal= {arXiv preprint arXiv:2104.08859},
year = {2021}
}
备注
Accepted to CVPR 2021 (Mobile AI workshop and challenges)