抽象的

拥有有关动物在野外的位置和行为的准确，详细和最新信息将彻底改变我们研究和保护生态系统的能力。我们研究了自动，准确和廉价地收集此类数据的能力，这些数据可以将生物学，生态学和动物学领域的许多领域转化为“大数据”科学。运动传感器“相机陷阱”使收集野生动物图片廉价，毫不显着，经常。但是，从这些图片中提取信息仍然是一项昂贵，耗时的手动任务。我们证明，可以通过深度学习（一种尖端的人工智能类型）自动提取此类信息。我们训练深层卷积神经网络，以识别，计算和描述320万图像快照Serengeti数据集中48种物种的行为。我们的深度神经网络自动识别精度超过93.8％的动物，我们预计该数字在未来几年内会迅速改善。更重要的是，如果我们的系统仅对其有信心进行分类，那么我们的系统可以自动化动物识别的99.3％数据，同时仍以与人类志愿者众包团队相同的96.6％的精度，节省了超过8.4年（超过8.4年）（每周40小时）在这个320万图片数据集上进行人类标签工作（即超过17,000小时）。这些效率的提高立即突出了使用深神网络从相机陷阱图像中提取数据的重要性。我们的结果表明，这项技术可以使廉价，毫不显眼，大量甚至实时收集有关野外大量动物的大量信息。

作者

Mohammad Sadegh Norouzzadeh，Anh Nguyen，Margaret Kosmala，Alexandra Swanson，Meredith Palmer，Craig Parker，杰夫·克莱恩（Jeff Clune）

出版物

PNAS卷。11525

完整的纸

“自动识别，计数和描述具有深度学习的相机陷阱图像中的野生动物”（PDF）

视频

[关联]

Uber AI