基于运动信息的延时相机记录中小型昆虫目标检测
计算机视觉与模式识别
2023-06-30 v2 人工智能
摘要
昆虫作为传粉者在生态系统管理和世界粮食生产中起着关键作用。然而，昆虫种群正在减少，亟需高效的昆虫监测方法。现有方法分析自然中昆虫的视频或延时图像，但分析具有挑战性，因为昆虫是自然植被复杂动态场景中的小目标。本工作中，我们提供一个数据集，包含夏季两个月期间访问三种不同植物物种的西方蜜蜂。该数据集由来自多个相机的 107,387 张标注延时图像组成，其中包括 9,423 只标注昆虫。我们提出一种在延时 RGB 图像中检测昆虫的方法流程。该流程由两步过程组成。首先，对延时 RGB 图像进行预处理以增强图像中的昆虫。该运动信息增强技术利用运动和颜色来增强图像中的昆虫。其次，增强后的图像随后被输入卷积神经网络（CNN）目标检测器。该方法改进了深度学习目标检测器 You Only Look Once（YOLO）和 Faster Region-based CNN（Faster R-CNN）。使用运动信息增强，YOLO 检测器将平均微 F1 分数从 0.49 提升至 0.71，Faster R-CNN 检测器将平均微 F1 分数从 0.32 提升至 0.56。我们的数据集和所提方法为自动化飞行昆虫的延时相机监测向前迈进了一步。数据集发布于：https://vision.eng.au.dk/mie/
引用
@article{arxiv.2212.00423,
title = {Motion Informed Object Detection of Small Insects in Time-lapse Camera Recordings},
author = {Kim Bjerge and Carsten Eie Frigaard and Henrik Karstoft},
journal= {arXiv preprint arXiv:2212.00423},
year = {2023}
}
备注
10 pages, 6 figures