资源受限动物监控中的策略驱动迁移学习

动物健康监测和种群管理是野生动物保育和畜牧业中至关重要的方面，日益依赖于自动化检测和跟踪系统。虽然无人机（UAV）结合计算机视觉为跨越具有挑战性地形的非侵入式动物监控提供了可行方案，但标注训练数据的稀缺性仍是开发有效深度学习（DL）模型的瓶颈。迁移学习已成为一种潜在解决方案，允许在大数据集上训练的模型被适应用于数据有限的资源受限场景。然而，庞大的预训练神经网络架构天地使选择最佳模型变得具有挑战性，尤其是对于新手研究者而言。本文提出一种基于强化学习（RL）的迁移学习框架，采用上置置信界（UCB）算法自动选择动物检测任务最合适的预训练模型。我们的 метод系统评估和排序候选模型， streamlining 模型选择过程。实验结果表明，我们的框架在检测率方面优于传统方法，同时所需计算时间显著减少。