人工智能在计算机视觉方面的进步为增加研究生态系统的尺度带来了巨大的希望。个体的分布和行为是生态学的核心,使用深度神经网络的计算机视觉可以学习检测图像中的个体物体。然而,开发用于生态监测的监督模型具有挑战性,因为它需要大量的人类标记训练数据,需要先进的技术专长和计算基础设施,而且容易过拟合。这限制了跨空间和时间的应用。一种解决方案是开发可以跨物种和生态系统应用的通用模型。

一种用于高分辨率航空图像鸟类检测的通用深度学习模型

通过使用来自世界各地13个项目的超过25万个注释,我们开发了一个通用的鸟类检测模型,尽管物种、栖息地和成像方法存在差异,但该模型在没有任何本地训练的情况下,对新的航空数据实现了超过65%的召回率和50%的精度。仅使用1000个本地注释对该模型进行微调,通过构建从其他数据源获得的一般特性,可以将这些值提高到平均84%的查全率和69%的精度。从通用模型进行再训练可以改进局部预测,即使在有适当大的注释集可用的情况下也是如此,并使模型训练更快、更稳定。我们的结果表明,一般模型检测广泛类别的生物使用机载图像是可行的。这些模型可以减少在大尺度上自动检测单个生物所需的工作量、专业知识和计算资源,有助于改变生态学数据收集的规模和可以解决的问题。