利用相机陷阱图像与深度学习消除鸟类分类中的人工瓶颈
计算机视觉与模式识别
2023-05-04 v1 人工智能
摘要
鸟类是监测生物多样性和栖息地健康的重要指示物种，也在生态系统管理中发挥着关键作用。鸟类种群的下降会导致生态系统服务（包括种子传播、授粉和害虫控制）的减少。为生态学家而言，准确且长期的鸟类监测以识别受关注物种并衡量保护干预的成效至关重要。然而，监测耗时、昂贵，且往往难以在长时间和大空间尺度下开展。相机陷阱、声学监测器和无人机等技术提供了非侵入性监测方法。使用相机陷阱监测存在两个主要问题：a）相机产生大量图像，难以及时处理和分析数据；b）高比例的假阳性阻碍了报告的处理和分析。在本文中，我们概述了一种利用深度学习对相机陷阱数据中的鸟类物种进行实时分类并自动剔除假阳性的方法。图像使用 Faster-RCNN 架构实时分类。图像通过 3/4G 相机传输，并使用图形处理单元（GPU）处理，为保护工作者提供关键检测指标，从而免去人工观测的需求。我们的模型达到了 88.79% 的平均灵敏度、98.16% 的特异度和 96.71% 的准确率。这证明了使用深度学习进行自动鸟类监测的有效性。
引用
@article{arxiv.2305.02097,
title = {Removing Human Bottlenecks in Bird Classification Using Camera Trap Images and Deep Learning},
author = {Carl Chalmers and Paul Fergus and Serge Wich and Steven N Longmore and Naomi Davies Walsh and Philip Stephens and Chris Sutherland and Naomi Matthews and Jens Mudde and Amira Nuseibeh},
journal= {arXiv preprint arXiv:2305.02097},
year = {2023}
}