基于弱监督 Faster-RCNN+FPN 的相机陷阱图像动物分类
计算机视觉与模式识别
2022-08-31 v1 机器学习
摘要
相机陷阱彻底改变了许多此前因其栖息地或行为而几乎无法观测的物种的动物研究。它们是通常固定在树上、在触发时拍摄短序列图像的相机。深度学习有潜力克服按分类单元或空图像自动分类图像的工作负担。然而，标准深度神经网络分类器会失败，因为动物通常仅占高清图像的一小部分。因此我们提出一种名为弱目标检测 Faster-RCNN+FPN 的工作流以应对此挑战。该模型是弱监督的，因为它仅需每幅图像的动物分类单元标签，而无需任何人工边界框标注。首先，它利用多帧的运动自动执行弱监督边界框标注。然后，它使用此弱监督训练 Faster-RCNN+FPN 模型。实验结果基于来自巴布亚新几内亚和密苏里生物多样性监测活动的两个数据集获得，随后在一个易于复现的测试平台上验证。
引用
@article{arxiv.2208.14060,
title = {Weakly Supervised Faster-RCNN+FPN to classify animals in camera trap images},
author = {Pierrick Pochelu and Clara Erard and Philippe Cordier and Serge G. Petiton and Bruno Conche},
journal= {arXiv preprint arXiv:2208.14060},
year = {2022}
}