Применение технологий искусственного интеллекта при обработке изображений с фотоловушек: принципы, программы, подходы

Автор: Огурцов С.С., Ефремов В.А., Леус А.В.

Статья в выпуске: 1 (51), 2024 года.

Бесплатный доступ

Искусственный интеллект (ИИ) все глубже проникает в экологическую науку. Наиболее стремительно это проявляется в исследованиях на основе изображений, например, с дронов или фотоловушек. В настоящем обзоре рассматривается современное развитие исследований с фотоловушками в области применения технологий ИИ, а именно компьютерного зрения и глубокого обучения. Вкратце рассмотрены основные понятия машинного обучения (Machine Learning, ML) и глубоких нейронных сетей, необходимые современному биологу и экологу для понимания обработки и анализа изображений. Разобраны возможности применения ИИ для распознавания образов и поиска объектов на изображениях. Приводится обзор современного программного обеспечения с применением технологий компьютерного зрения и машинного обучения для распознавания фотографий и видеоизображений с фотоловушек, а также краткий обзор открытых наборов данных для обучения ML-моделей. В общем виде рассмотрены восемь ML-программ: MegaDetector, EcoAssist, MLWIC2, Conservation AI, FasterRCNN+InceptionResNetV2, DeepFaune, ClassifyMe, а также первая отечественная разработка от Московского физико-технического института. На основе исследований с фотоловушками в Центрально-Лесном заповеднике проведено тестирование программ, выявлены их преимущества и недостатки. В заключение обсужден потенциал применения ИИ в современных исследованиях с фотоловушками. Настоящий обзор будет полезен как биологам и экологам для общего знакомства с нейронными сетями и их применением в области распознавания образов на изображениях, так и ML-специалистам и программистам для понимания применимости ML-моделей в экологической науке и возможностей их обучения на больших массивах данных.

Еще

Анализ изображений, детектирование, классификация, компьютерное зрение, машинное обучение, нейронные сети, распознавание образов, фотоловушки

Короткий адрес: https://sciup.org/147243480

IDR: 147243480 | DOI: 10.15393/j1.art.2024.14662

Список литературы Применение технологий искусственного интеллекта при обработке изображений с фотоловушек: принципы, программы, подходы

Белявский Д. С. Применение искусственных нейронных сетей при исследовании популяций животных // Охрана окружающей среды и заповедное дело. 2022. № 3. С. 81–88.
Бизиков В. А., Сабиров М. А., Сидоров Л. К., Лукина Ю. Н. Численность и распределение ладожской кольчатой нерпы в аномально теплую зиму 2020 года: оценка по результатам авиаучета с использованием БПЛА // Труды ВНИРО. 2022. Т. 190. С. 79–94. DOI: 10.36038/2307-3497-2022-190-79-94
Ефремов В. А., Зуев В. А., Леус А. В., Мангазеев Д. И., Радыш А. С., Холодняк И. В. Формирование регистраций животных на основе постобработки // Экосистемы. 2023а. Вып. 34. С. 51–58.
Ефремов В. А., Леус А. В., Гаврилов Д. А., Мангазеев Д. И., Холодняк И. В., Радыш А. С., Зуев В. А., Водичев Н. А. Метод обработки фото- и видеоданных с фотоловушек с использованием двухстадийного нейросетевого подхода // Искусственный интеллект и принятие решений. 2023б. № 3. С. 98–108. DOI: 10.14357/20718594230310
Леус А. В., Гаврилов Д. А., Мангазеев Д. И., Ефремов В. А., Радыш А. С., Зуев В. А., Холодняк И. В.
Система анализа данных, считываемых с помощью фотоловушек, для оперативного дистанционного мониторинга природных территорий. Патент Российской Федерации №2799114 . Федеральный институт промышленной собственности, 2023.
Леус А. В., Ефремов В. А. Применение методов компьютерного зрения для анализа изображений, собранных с фотоловушек в рамках программно-аппаратного комплекса мониторинга состояния окружающей среды на особо охраняемых природных территориях // Труды Мордовского государственного природного заповедника им. П. Г. Смидовича. 2021. Вып. 28. С. 121–129.
Михайлов В. В., Колпащиков Л. А., Соболевский В. А., Соловьев Н. В., Якушев Г. К. Методологические подходы и алгоритмы распознавания и подсчета животных на аэрофотоснимках // Информационно-управляющие системы. 2021. № 5. С. 20–32. DOI: 10.31799/1684-8853-2021-5-20-32
Огурцов С. С., Ефремов В. А., Леус А. В. Обзор программного обеспечения для обработки и анализа данных с фотоловушек: нейронные сети и веб-сервисы // Russian Journal of Ecosystem Ecology. 2024. Vol. 9 (1). DOI: 10.21685/2500-0578-2024-1-2
Ahumada J. A., Fegraus E., Birch T., Flores N., Kays R., O’Brien T. G., Palmer J., Schuttler S., Zhao J. Y., Jetz W., Kinnaird M., Kulkarni S., Lyet A., Thau D., Duong M., Oliver R., Dancer A. Wildlife Insights: A Platform to Maximize the Potential of Camera Trap and Other Passive Sensor Wildlife Data for the Planet // Environmental Conservation. 2020. Vol. 47. P. 1–6. DOI: 10.1017/S0376892919000298
Allaire J. J., Kalinowski T., Falbel D., Eddelbuettel D., Tang Y., Golding N. Package “tensorflow”: R Interface to TensorFlow. R package version 2.14.0. 2023. URL: https://cran.r-project.org/package=tensorflow (дата обращения: 25.10.2023).
Beery S., Van Horn G., Perona P. Recognition in Terra Incognita // Proceedings of the European Conference on Computer Vision (ECCV) / V. Ferrari, M. Hebert, C. Sminchisescu, Y. Weiss (Eds.). Munich, Germany: Springer, 2018. P. 456–473.
Beery S., Morris D., Yang S. Efficient pipeline for camera trap image review // arXiv. 2019. Article: 1907.06772. DOI: 10.48550/arXiv.1907.06772
Beery S., Agarwal A., Cole E., Birodkar V. The iWildCam 2021 Competition Dataset // arXiv. 2021. DOI: 10.48550/arXiv.2105.03494
Berger-Wolf T. Y., Rubenstein D. I., Stewart C. V., Holmberg J. A., Parham J., Menon S., Crall J., Van Oast J., Kiciman E., Joppa L. Wildbook: Crowdsourcing, computer vision, and data science for conservation // arXiv. 2017. Article: 1710.08880. DOI: 10.48550/arXiv.1710.08880
Binta Islam S., Valles D., Hibbitts T. J., Ryberg W. A., Walkup D. K., Forstner M. R. J. Animal Species Recognition with Deep Convolutional Neural Networks from Ecological Camera Trap Images // Animals. 2023. Vol. 13. Article: 1526. DOI: 10.3390/ani13091526
Bogucki R., Cygan M., Khan C. B., Klimek M., Milczek J. K., Mucha M. Applying deep learning to right whale photo identification // Conservation Biology. 2018. Vol. 33, No 3. P. 676–684. DOI: 10.1111/cobi.13226
Bridle J. S. Probabilistic interpretation of feedforward classification network outputs, with relationships to statistical pattern recognition // Neurocomputing. New York: Springer, 1990. P. 227–236.
Carl C., Schönfeld F., Profft I., Klamm A., Landgraf D. Automated detection of European wild mammal species in camera trap images with an existing and pretrained computer vision model // European Journal of Wildlife Research. 2020. Vol. 66, No 4. P. 1–7. DOI: 10.1007/s10344-020-01404-y
Casaer J., Milotic T., Liefting Y., Desmet P., Jansen P. Agouti: A platform for processing and archiving camera trap images // Biodiversity Information Science and Standards. 2019. Vol. 3. Article: e46690. DOI: 10.3897/biss.3.46690
Ceballos G., Ehrlich P. R., Raven P. H. Vertebrates on the brink as indicators of biological annihilation and the sixth mass extinction // Proceedings of the National Academy of Science. 2020. Vol. 117, No 24. P. 13596–13602. DOI: 10.1073/pnas.1922686117
Chalmers C., Fergus P., Wich S., Montanez A. C. Conservation AI: Live stream analysis for the detection of endangered species using convolutional neural networks and drone technology // arXiv. 2019. Article: 1910.07360. DOI: 10.48550/arXiv.1910.07360
Chang W., Cheng J., Alaire J., Xie Y., McPherson J. Shiny: Web application framework for R. R package version 1.4.0. 2019. URL: https://CRAN.R-project.org/package=shiny (дата обращения: 25.10.2023).
Chen G., Han T. X., He Z., Kays R., Forrester T. Deep convolutional neural network based species recognition for wild animal monitoring // Proceedings of the IEEE International Conference on Image Processing. Paris: IEEE, 2014. P. 858–862. DOI: 10.1109/ICIP.2014.7025172
Chen P., Swarup P., Matkowski W. M., Kong A. W. K., Han S., Zhang Z., Rong H. A study on giant panda recognition based on images of a large proportion of captive pandas // Ecology and Evolution. 2020. Vol. 10, No 7. P. 3561–3573. DOI: 10.1002/ece3.6152
Corcoran E., Winsen M., Sudholz A., Hamilton G. Automated detection of wildlife using drones: Synthesis, opportunities and constraints // Methods in Ecology and Evolution. 2021. Vol. 12, No 6. P. 1103ionndr. DOI: 10.1111/2041-210X.13581
Evans B. C. CamTrap-detector: Detect animals, humans and vehicles in camera trap imagery. 2023. URL: https://github.com/bencevans/camtrap-detector (дата обращения: 25.10.2023).
Falzon G., Lawson C., Cheung K.-W., Vernes K., Ballard G. A., Fleming P. J. S., Glen A. S., Milne H., Mather-Zardain A. T., Meek P. D. ClassifyMe: A field-scouting software for the identification of wildlife in camera trap // Animals. 2020. Vol. 10, No 1. Article: 58. DOI: 10.3390/ani10010058
Farley S. S., Dawson A., Goring S. J., Williams J. W. Situating ecology as a big-data science: current advances, challenges, and solutions // BioScience. 2018. Vol. 68. P. 563–576. DOI: 10.1093/biosci/biy068
Feng H., Mu. G., Zhong S., Zhang P., Yuan T. Benchmark Analysis of YOLO Performance on Edge Intelligence Devices // Cryptography. 2022. Vol. 6, No 2. Article: 16. DOI: 10.3390/cryptography6020016
Fennell M., Beirne C., Burton A. C. Use of object detection in camera trap image identification: Assessing a method to rapidly and accurately classify human and animal detections for research and application in recreation ecology // Global Ecology and Conservation. 2022. Vol. 35. Article: e02104. DOI: 10.1016/j.gecco.2022. e02104
Girshick R., Donahue J., Darrell T., Malik J. Rich feature hierarchies for accurate object detection and semantic segmentation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Columbus, USA: IEEE, 2014. P. 580–587. DOI: 10.1109/CVPR.2014.81
Girshick R. Fast R-CNN // Proceedings of the IEEE International Conference on Computer Vision. Santiago, Chile: IEEE, 2015. P. 1440–1448. DOI: 10.1109/ICCV.2015.169
Glover-Kapfer P., Soto-Navarro C. A., Wearn O. R. Camera-trapping version 3.0: Current constraints and future priorities for development // Remote Sensing in Ecology and Conservation. 2019. Vol. 5. P. 209–223. DOI: 10.1002/rse2.106
Gomez Villa A., Diez G., Salazar A., Diaz A. Animal identification in low quality camera-trap images using very deep convolutional neural networks and confidence thresholds // International Symposium on Visual Computing. Cham, Switzerland: Springer, 2016. P. 747–756. DOI: 0.1007/978-3-319-50835-1_67
Gomez Villa A., Salazar A., Vargas F. Towards automatic wild animal monitoring: Identification of animal species in camera-trap images using very deep convolutional neural networks // Ecological Informatics. 2017. Vol. 41. P. 24–32. DOI: 10.1016/j.ecoinf.2017.07.004.
Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge, USA: MIT Press, 2016. 800 p.
Google LLC – TensorFlow Hub. faster_rcnn/inception_resnet_v2. 2019. URL: https://tfhub.dev/google/faster_rcnn/openimages_v4/inception_resnet_v2/1 (дата обращения: 27.10.2023).
Google LLC. Open Images Dataset V4, under CC BY 4.0 license. 2019. URL: https://storage.googleapis.com/openimages/web/ factsfigures_v4.html (дата обращения: 27.10.2023).
Green S. E., Rees J. P., Stephens P. A., Hill R. A., Giordano A. J. Innovations in camera trapping technology and approaches: The integration of citizen science and artificial intelligence // Animals. 2020. Vol. 10, No 1. Article: 132. DOI: 10.3390/ani10010132
Greenberg S. Automated image recognition for wildlife camera traps: making it work for you. Technical report. 2020. URL: http://hdl.handle.net/1880/112416 (дата обращения: 22.03.2023).
Greenberg S., Godin T., Whittington J. Design patterns for wildlife-related camera trap image analysis // Ecology and Evolution. 2019. Vol. 9, No 24. P. 13706–13730. DOI: 10.1002/ece3.5767
Guo C., Pleiss G., Sun Y., Weinberger K. On calibration of modern neural networks // arXiv. 2017. Article: 1706.04599. DOI: 10.48550/arXiv.1706.04599
Gyurov P. MegaDetector-GUI: A desktop application that makes using MegaDetector’s model easier. 2022. URL: https://github.com/petargyurov/megadetector-gui (дата обращения: 21.10.2023).
Hagan M. T., Demuth H. B., Beale M. H., De Jesús O. Neural network design. Boston: Pws Publications Co, 1996. 1011 p.
He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // Proceedings of the IEEE conference on computer vision and pattern recognition. Las Vegas, USA: IEEE, 2016. P. 770–778. DOI: 10.1109/CVPR.2016.90
Hu W., Huang Y., Wei L., Zhang F., Li H. Deep convolutional neural networks for hyperspectral image classification // Journal of Sensors. 2015. Vol. 2. P. 1–12. DOI: 10.1155/2015/258619
Hui J. Object detection: speed and accuracy comparison (faster R-CNN, R-FCN, SSD, FPN, RetinaNet and YOLOv3). 2018. URL: https://medium.com/@jonathan_hui/object-detection-speed-and-accuracycomparison-faster-r-cnn-r-fcn-ssd-and-yolo-5425656ae359 (дата обращения: 22.10.2023).
Huang J., Rathod V., Sun C., Zhu M., Korattikara A., Fathi A., Murphy K. Speed/accuracy trade-offs for modern convolutional object detectors // Proceedings of the IEEE conference on computer vision and pattern recognition. Honolulu, USA: IEEE, 2017. P. 3296–3297. DOI: 10.1109/CVPR.2017.351
Kellenberger B., Veen T., Folmer E., Tuia D. 21 000 birds in 4.5 h: efficient large-scale seabird detection with machine learning // Remote Sensing in Ecology and Conservation. 2021. Vol. 7, No 3. P. 445–460. DOI: 10.1002/rse2.200
Kellenberger B., Tuia D., Morris D. AIDE: Accelerating image‐based ecological surveys with interactive machine learning // Methods in Ecology and Evolution. 2020. Vol. 11, No 12. P. 1716–1727. DOI: 10.1111/2041-210X.13489
Krizhevsky A., Sutskever I., Hinton G. E. ImageNet classification with deep convolutional neural networks // Advances in Neural Information Processing Systems. La Jolla, USA: Neural Information Processing Systems Foundation, 2012. P. 1097–1105. DOI: 10.1145/3065386
Kwok R. Al empowers conservation biology // Nature. 2019. Vol. 567. P. 133–135. DOI: 10.1038/d41586-019-00746-1
LeCun Y., Boser B., Denker J. S., Henderson D., Howard R. E., Hubbard W., Jackel L. D. Backpropagation applied to handwritten zip code recognition // Neural Computation. 1989. Vol. 1, No 4. P. 541–551. DOI: 10.1162/neco.1989.1.4.541
LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. Vol. 521. P. 436–444. DOI: 10.1038/nature14539
Lin T.-Y., Goyal P., Girshick R., He K., Dollár P. Focal loss for dense object detection // Proceedings of the IEEE International Conference on Computer Vision. Venice, Italy: IEEE, 2017. P. 2999–3007. DOI: 10.1109/ICCV.2017.324
Liu W., Anguelov D., Erhan D., Szegedy C., Reed S., Fu C.-Y., Berg A. C. SSD: single shot multibox detector // European Conference on Computer Vision / B. Leibe, J. Matas, N. Sebe, M. Welling (Eds.). Amsterdam: Springer, 2016. P. 21–37. DOI: 10.48550/arXiv.1512.02325
Meek P. D., Ballard G. A., Falzon G., Williamson J., Milne H., Farrell R., Stover J., Mather-Zardain A. T., Bishop J., Cheung E. K.-W., Lawson C. K., Munezero A. M., Schneider D., Johnston B. E., Kiani E., Shahinfar S., Sadgrove E. J., Fleming P. J. S. Camera trapping technology and advances: into the new millennium // Australian Zoologist. 2020. Vol. 40, No 3. P. 392–403. DOI: 10.7882/AZ.2019.035
Miao Z., Gaynor K. M., Wang J., Liu Z., Muellerklein O., Norouzzadeh M. S., McInturff A., Bowie R. C. K., Nathan R., Yu S. X., Getz W. M. Insights and approaches using deep learning to classify wildlife // Scientific Reports. 2019. Vol. 9, No 1. P. 1–9. DOI: 10.1038/s4159 8-019-44565-w
Mohri M., Rostamizadeh A., Talwalkar A. Foundations of machine learning. Cambridge, USA: MIT Press, 2012. 505 p.
Norouzzadeh M. S., Morris D., Beery S., Joshi N., Jojic N., Clune J. A deep active learning system for species identification and counting in camera trap images // Methods in Ecology and Evolution. 2021. Vol. 12, No 1. P. 150–161. DOI: 10.1111/2041-210X.13504
Norouzzadeh M. S., Nguyen A., Kosmala M., Swanson A., Palmer M. S., Packer C., Clune J. Automatically identifying, counting, and describing wild animals in camera-trap images with deep learning // Proceedings of the National Academy of Science. 2018. Vol. 115, No 25. P. E5716–E5725. DOI: 10.1073/pnas.171936711
Qin H., Li X., Liang J., Peng Y., Zhang C. DeepFish: Accurate underwater live fish recognition with a deep architecture // Neurocomputing. 2016. Vol. 187. P. 49–58. DOI: 10.1016/j.neucom.2015.10.122
Redmon J., Divvala S., Girshick R., Farhadi A. You only look once: unified, real-time object detection // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, USA: IEEE, 2016. P. 779–788. DOI: 10.1109/CVPR.2016.91
Ren S., He K., Girshick R., Sun J. Faster R‐CNN: Towards real‐time object detection with region proposal networks // arXiv. 2015. Article: 150601497. DOI: 10.48550/arXiv.1506.01497
Reyserhove L., Norton B., Desmet P. Best practices for managing and publishing camera trap data. Community review draft. GBIF Secretariat: Copenhagen, 2023. 58 p. DOI: 10.35035/doc-0qzp-2x37
Rigoudy N., Dussert G., Benyoub A., Besnard A., Birck C., Boyer J., Bollet Y. The DeepFaune initiative: a
collaborative effort towards the automatic identification of French fauna in camera-trap images // bioRxiv. 2022. DOI: 10.1101/2022.03.15.484324
Russakovsky O., Deng J., Su H., Krause J., Satheesh S., Ma S., Huang Z., Karpathy A., Khosla A., Bernstein M., Berg A. C., Fei-Fei L. Imagenet large scale visual recognition challenge // International Journal of Computer Vision. 2015. Vol. 115. P. 211–252. DOI: 10.1007/s11263-015-0816-y
Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition // arXiv.2014. Article: 1409.1556. DOI: 10.48550/arXiv.1409.1556
Schneider S., Taylor G. W., Kremer S. Deep learning object detection methods for ecological camera trap data // 15th Conference on Computer and Robot Vision. Toronto, Canada: IEEE, 2018. P. 321–328. DOI: 10.1109/crv.2018.00052
Schneider S., Taylor G. W., Kremer S. C. Similarity learning networks for animal individual re-identification – beyond the capabilities of a human observer // Proceedings of the IEEE Winter Conference on Applications of Computer Vision Workshops. Snowmass, USA: IEEE, 2020. P. 44–52. DOI: 10.1109/WACVW50321.2020.9096925
Schneider S., Taylor G. W., Linquist S., Kremer S. C. Past, present and future approaches using computer vision for animal re-identification from camera trap data // Methods in Ecology and Evolution. 2019. Vol. 10 (4). P. 461–470. DOI: 10.1111/2041-210X.13133
Shepley A., Falzon G., Meek P., Kwan P. Automated location invariant animal detection in camera trap images using publicly available data sources // Ecology and Evolution. 2021. Vol. 11, No 9. P. 4494–4506. DOI: 10.1002/ece3.7344
Shi C., Xu J., Roberts N.J., Liu D., Jiang G. Individual automatic detection and identification of big cats with the combination of different body parts // Integrative Zoology. 2023. Vol. 18 (1). P. 157–168. DOI: 10.1111/1749-4877.12641
Sener O., Savarese S. Active learning for convolutional neural networks: A core-set approach // arXiv.2018. Article: 1708.00489. DOI: 10.48550/arXiv.1708.00489
Swanson A., Kosmala M., Lintott C., Simpson R., Smith A., Packer C. Snapshot Serengeti, high-frequency annotated camera trap images of 40 mammalian species in an African savanna // Scientific Data. 2015. Vol. 2. P. 1–14. DOI: 10.1038/sdata.2015.26
Swinnen K. R. R., Reijniers J., Breno M., Leirs H. A novel method to reduce time investment when processing videos from camera trap studies // PLoS One. 2014. V. 9. N 6. Article: e98881. DOI: 10.1371/journal.pone.0098881
Szegedy C., Vanhoucke V., Ioffe S., Shlens J., Wojna Z. Rethinking the inception architecture for computer vision. 2016. URL: https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Szegedy_Rethinking_the_Inception_CVPR_2016_paper.pdf (дата обращения: 22.10.2023).
Tabak M. A., Norouzzadeh M. S., Wolfson D. W., Newton E. J., Boughto R. K., Ivan J. S., Odell E. A., Newkirk E. S., Conrey R. Y., Stenglein J., Iannarilli F., Erb J., Brook R. K., Davis A. J., Lewis J., Walsh D. P., Beasley J. C., VerCauteren K. C., Clune J., Miller R. S. Improving the accessibility and transferability of machine learning algorithms for identification of animals in camera trap images: MLWIC2 // Ecology and Evolution. 2020. Vol. 10, No 19. P. 10374–10383. DOI: 10.1002/ece3.6692
Tabak M. A., Norouzzadeh M. S., Wolfson D. W., Sweeney S. J., Vercauteren K. C., Snow N. P., Halseth J. M., Di Salvo P. A., Lewis J. S., White M. D., Teton B. Machine learning to classify animal species in camera trap images: applications in ecology // Methods in Ecology and Evolution. 2019. Vol. 10, No 4. P. 585–590. DOI: 10.1111/2041-210x.13120
Tack J. L. P., West B. S., McGowan C. P., Ditchkoff S. S., Reeves S. J., Keever A. C., Grand J. B. AnimalFinder: A semi-automated system for animal detection in time-lapse camera trap images // Ecological Informatics. 2016. Vol. 36. P. 145–151. DOI: 10.1016/j.ecoinf.2016.11.003
Tuia D., Kellenberger B., Beery S., Costelloe B. R., Zuffi S., Risse B., Mathis A., Mathis M. W., Langevelde F.van, Burghardt T., Kays R., Klinck H., Wikelski M., Couzin I. D., Horn G.van, Crofoot M. C., Stewart C. V., Berger-Wolf T. Perspectives in machine learning for wildlife conservation // Nature Communications. 2022. Vol. 13, No 1. P. 1–15. DOI: 10.1038/s41467-022-27980-y
van Gils J. Recognition of wildlife behaviour in camera-trap photographs using machine learning // MSc Thesis Wildlife Ecology and Conservation. Netherlands: Wageningen University, 2022. 44 p.
van Lunteren P. EcoAssist: A no-code platform to train and deploy custom YOLOv5 object detection models // Journal of Open Source Software. 2023. Vol. 8, No 88. P. 1–3. DOI: 10.21105/joss.05581
Vélez J., Fieberg J. Guide for using artificial intelligence systems for camera trap data processing. 2022. URL: https://ai-camtraps.netlify.app (дата обращения: 26.10.2023).
Vélez J., McShea W., Shamon H., Castiblanco-Camacho P. J., Tabak M. A., Chalmers C., Fergus P., Fieberg J. An evaluation of platforms for processing camera-trap data using artificial intelligence // Methods in Ecology and Evolution. 2023. Vol. 14. P. 459–477. DOI: 10.1111/2041-210X.14044
Wei W., Luo G., Ran J., Li J. Zilong: A tool to identify empty images in camera-trap data // Ecological Informatics. 2020. Vol. 55. P. 1–7. DOI: 10.1016/j.ecoinf.2019.101021
Whytock R. C., Świeżewski J., Zwerts J. A., Bara-Słupski T., Koumba Pambo A. F., Rogala M., Bahaa-el-din L., Boekee K., Brittain S., Cardoso A. W., Henschel P., Lehmann D., Momboua B., Kiebou Opepa C., Orbell C., Pitman R. T., Robinson H. S., Abernethy K. A. Robust ecological analysis of camera trap data labelled by a machine learning model // Methods in Ecology and Evolution. 2021. Vol. 12, No 6. P. 1080–1092. DOI: 10.1111/2041- 210X.13576
Willi M., Pitman R. T., Cardoso A. W., Locke C., Swanson A., Boyer A., Veldthuis M., Fortson L. Identifying animal species in camera trap images using deep learning and citizen science // Methods in Ecology and Evolution. 2019. Vol. 10, No 1. P. 80–91. DOI: 10.1111/2041-210X.13099
Xie Y., Jiang J., Bao H., Zhai P., Zhao Y., Zhou X., Jiang G. Recognition of big mammal species in airborne thermal imaging based on YOLO V5 algorithm // Integrative Zoology. 2023. Vol. 18 (2). P. 333–352. DOI: 10.1111/1749-4877.12667
Xue Y., Wang T., Skidmore A. K. Automatic counting of large mammals from very high resolution panchromatic satellite imagery // Remote Sensing. 2017. Vol. 9, No 9. P. 1–16. DOI: 10.3390/rs9090878
Yosinski J., Clune J., Bengio Y., Lipson H. How transferable are features in deep neural networks? // arXiv. 2014. Article: 1411.1792. DOI: 10.48550/arXiv.1411.1792
Yousif H., Yuan J., Kays R., He Z. Animal Scanner: software for classifying humans, animals, and empty frames in camera trap images // Ecology and Evolution. 2019. Vol. 9. P. 1578–1589. DOI: 10.1002/ece3.4747
Yu X., Wang J., Kays R., Jansen P. A., Wang T., Huang T. Automated identification of animal species in camera trap images // EURASIP Journal on Image and Video Processing. 2013. Vol. 52. P. 1–10. DOI: 10.1186/1687-5281-2013-52
Zhang H., Wu C., Zhang Z., Zhu Y., Zhang Z., Lin H., Sun Y., He T., Mueller J. W., Manmatha R., Li M., Smola A. ResNeSt: Split-Attention Networks // IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. New Orleans, USA: IEEE, 2022. P. 2736–2746. DOI: 10.48550/arXiv.2004.08955

Еще

Статья научная