面向野生动物保护的基于移动平台的实时 threaded Houbara 检测与分割
计算机视觉与模式识别
2025-10-07 v1 人工智能
机器人学
摘要
自然环境中的实时动物检测与分割对于野生动物保护至关重要，可通过远程摄像机流实现非侵入式监控。然而，这些任务由于计算资源有限以及许多物种的隐秘外观而仍具挑战。我们提出一种针对移动平台优化的两阶段深度学习框架，集成Threading检测模型(TDM)，用于并行化YOLOv10检测和MobileSAM分割。与以往YOLO+SAM管道不同，我们的方法通过减少延迟实现实时性能提升。YOLOv10负责检测，MobileSAM负责轻量化分割，两者并行执行以实现高效资源利用。在针对保护优先物种Houbara Bustard进行测试时，我们的模型实现了mAP50为0.9627，mAP75为0.7731，mAP95为0.7178，MobileSAM mIoU为0.7421。YOLOv10每帧处理时间为43.7 ms，确认具备实时就绪状态。我们引入了包含40,000张标注图像的精选Houbara数据集，以支持模型在多样化环境下的训练和评估。本研究使用的代码和数据集已公开于GitHub平台发布，更多交互演示和资源请访问 https://lyessaadsaoud.github.io/LyesSaadSaoud-Threaded-YOLO-SAM-Houbara。
引用
@article{arxiv.2510.03501,
title = {Real-Time Threaded Houbara Detection and Segmentation for Wildlife Conservation using Mobile Platforms},
author = {Lyes Saad Saoud and Loic Lesobre and Enrico Sorato and Irfan Hussain},
journal= {arXiv preprint arXiv:2510.03501},
year = {2025}
}