鲍蕾教授和王天明教授共同发文对复杂森林场景下野生鸟类进行了AI识别技术评估
作者:东北虎豹多样性国家野外科学观测研究站
作者:宋奇 (第一作者),管宇 (第一作者),郭曦,郭新慧,陈昱峰,王红芳,葛剑平,王天明 (通讯作者),鲍蕾 (通讯作者)
2024年1月,东北虎豹生物多样性国家野外科学观测研究站虎豹团队在Ecological Informatics发表了研究论文“Benchmarking wild bird detection in complex forest scenes ”。该研究基于中国东北虎豹国家公园相机记录的林下15个鸟种的9717张图像数据集,测试了8种最新的AI目标检测算法(Faster RCNN、Cascade RCNN、RetinaNet、FCOS、RepPoints、ATSS、Deformable-DETR 和 Sparse RCNN)。由于生活背景的复杂程度、鸟种自身特殊保护色等原因以及目标检测算法的特点不同,这些算法对不同鸟种的检测能力存在差异。研究发现Cascade RCNN模型表现最好,模型能力mAP为0.693。此外,本研究还探讨了不同主干网对模型准确性的影响。基于Swin-T主干的Cascade RCNN是性能最佳的组合,mAP为0.704。这项研究可以帮助研究人员有效地识别鸟类,并为复杂生态环境中野生动物识别的研究提供新思路。
鸟类对陆地生态系统至关重要,在传粉、种子传播和控制昆虫方面发挥着关键作用。监测和识别野生鸟类对于了解生态系统相互作用、生态系统健康和指导保护工作至关重要。作为一种不侵扰动物且持续监测工具而出现的陷阱相机,在近几十年来对动物生态学的发展做出了巨大贡献。然而,由于产生的数据量巨大,研究者手动分析成本高昂且耗时。但在近年的计算机视觉研究中,深度学习方法表现出惊人的力量,也极大地扩展了处理海量数据的实用性,尤其是在野生动物监测方面。在中国东北虎豹国家公园中红外相机对整个生态系统进行监测时,记录到了许多常见鸟类物种,但由于视频数据量大、森林环境复杂以及仅凭视觉线索难以识别物种等因素,将数据应用于研究鸟类行为和其种群动态变得尤为困难。该研究将最新的目标检测先进算法应用到森林鸟类监测中,可为未来鸟类保护新供新见解
北京师范大学人工智能学院宋奇,生命科学学院管宇博士为论文的第一作者,鲍蕾和王天明教授为通讯作者,郭曦(地理学部),郭新慧和陈昱峰(数学学院)、王红芳、葛剑平教授参与了该研究。
推荐研究进展 + 更多
- 王天明教授利用AI+声学指数联合揭示道路干扰能导致更加简化的温带森林声景
- 王天明教授和王红芳副教授发文解析季节性资源动态和顶级捕食者调控温带森林中型食肉动物食性生态位构成和分化
- 王天明教授发文指出放牧促进了温带森林地栖鸟类物种活动与丰富度并改变其活动节律
- 冯利民教授发文利用深度学习技术设计针对野生东北虎个体的再识别流程
- 鲍蕾教授、王红芳副教授和管宇博士共同发文“补饲条件下DNA元条形码在东北亚白尾海雕非繁殖种群食性研究中的应用”
- 王天明教授发文揭示人类干扰景观中小型食肉动物对顶级捕食者和人类干扰的时空响应
- 王天明教授通过东北虎豹国家公园粪便添加实验揭示野生有蹄类动物与家畜对温带森林凋落物分解有不同影响
- 王红芳副教授基于分子食性分析与食物资源调查揭示森林防火带对游食者的功能