自监督预训练与受控增强改善无人机图像中珍稀野生动物识别
计算机视觉与模式识别
2021-08-18 v1
摘要
利用航空影像的自动化动物普查是野生动物保护的重要一环。近期模型通常基于深度学习，因此需要大量训练数据。由于航空影像中动物稀少且体型微小，标注过程极为繁琐。在本项目中，我们提出一种通过自监督预训练减少所需训练数据量的方法。具体而言，我们考察了近期对比学习方法（如动量对比（MoCo）和跨层级实例-组判别（CLD））的组合，以在无标签情况下使模型适应航空图像。我们表明，MoCo、CLD与几何增强的组合大幅优于在ImageNet上预训练的传统模型。关键在于，即使我们将训练动物数量减少至仅10%，我们的方法仍取得良好结果，此时我们的最佳模型在相似精度下召回率为基线的两倍。这有效使得所需标注数量降至一小部分，同时仍能在如此极具挑战性的环境下训练高精度模型。
引用
@article{arxiv.2108.07582,
title = {Self-Supervised Pretraining and Controlled Augmentation Improve Rare Wildlife Recognition in UAV Images},
author = {Xiaochen Zheng and Benjamin Kellenberger and Rui Gong and Irena Hajnsek and Devis Tuia},
journal= {arXiv preprint arXiv:2108.07582},
year = {2021}
}
备注
accepted by 2021 IEEE/CVF International Conference on Computer Vision (ICCV) Workshops