生態(tài)問題刻不容緩的今天，有效的生態(tài)系統(tǒng)監(jiān)測能夠幫助研究人員更好地提出環(huán)境保護措施。靜態(tài)捕捉相機就是放置在野外環(huán)境中的最具代表性的一種監(jiān)測傳感器。然而，對于廣泛應(yīng)用的靜態(tài)相機來說，自動地分析處理還面臨著一系列的挑戰(zhàn)。
由于靜態(tài)相機的拍攝場景固定，拍攝圖像中的背景異常重復(fù)，因此沒有足夠充分的數(shù)據(jù)多樣性，機器學習模型將傾向于學習背景，使其在新場景下缺乏足夠的泛化性。為了解決這一問題，來自谷歌的研究人員提出了一種基于時域上下文的互補方法Context R－CNN，提升了目標檢測模型在全新相機設(shè)置場景下的泛化性。
有效的生態(tài)系統(tǒng)監(jiān)測將幫助研究人員更好的理解全球生態(tài)系統(tǒng)的動力學行為、物種多樣性、量化人類活動和氣候變化的影響，并提出有效的保護措施。為了獲取高質(zhì)量的數(shù)據(jù)提高監(jiān)測效率，生態(tài)學家耗費了大量的努力在野外環(huán)境中放置檢測傳感器，而靜態(tài)捕捉相機就是其中最具代表性的一種。
隨著傳感器監(jiān)測網(wǎng)絡(luò)的逐漸發(fā)展壯大，對于全球范圍內(nèi)生物多樣性數(shù)據(jù)的手工分析變成了全球?qū)崟r生態(tài)精確監(jiān)測的瓶頸所在。雖然有多種基于機器學習的自動化分析方法，但對于廣泛應(yīng)用的靜態(tài)相機來說，自動地分析處理還面臨著一系列的挑戰(zhàn)，包括功耗和存儲限制、采樣率較低、運動觸發(fā)造成的非規(guī)則拍攝結(jié)果等。
為了有效處理野外靜態(tài)相機的拍攝結(jié)果，計算機視覺模型必須對各種情形下的目標具有足夠的魯棒性，包括偏離中心、離焦、低光照、尺度變化劇烈等等。此外靜態(tài)相機最大的不同在于它的拍攝場景固定，這會使拍攝圖像中的背景異常重復(fù)。沒有足夠充分的數(shù)據(jù)多樣性，機器學習模型將傾向于學習背景，使其在新場景下缺乏足夠的泛化性。
機器學習和生態(tài)學界的研究人員已經(jīng)攜手完成了像LILA BC 和 Wildlife Insights 等大規(guī)模的專家標注數(shù)據(jù)集，這些數(shù)據(jù)來自于多個研究團隊在不同場景下的相機拍攝結(jié)果以提升數(shù)據(jù)的多樣性。但數(shù)據(jù)的積攢需要大量人力物力并且進展緩慢，同時在顧及多樣性、世界范圍內(nèi)代表性數(shù)據(jù)和物種分類的要求下變得異常繁雜。
這張清晨濃霧中的野外圖像幾乎什么都看不清，為自動分析帶來了十分巨大的挑戰(zhàn)。
為了解決這一問題，來自谷歌的研究人員提出了一種基于時域上下文的互補方法Context R－CNN，提升了目標檢測模型在全新相機設(shè)置場景下的泛化性。新型的目標檢測架構(gòu)通過提取每個相機在時間維度上的上下文線索來改善新場景下的目標識別效果，而無需額外的來自多個相機的訓練數(shù)據(jù)。在面對復(fù)雜圖像時，上下文R－CNN方法可以從同一相機從長達一個月的上下文信息中回溯出最為相關(guān)的目標并幫助算法進行識別。
123下一頁>（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
