一种模型不可知的主动学习方法用于从相机陷阱中检测动物-计算机科学-主动学习-动物检测-智能数据选择.pdfVIP

一种模型不可知的主动学习方法用于从相机陷阱中检测

动物

ThiThuThuyNguyenandDucThanhNguyen

MachineIntelligenceLab,SchoolofInformationTechnology,DeakinUniversity

ABSTRACT越多的研究兴趣集中在利用主动学习（AL）来减少标

智能数据选择在数据驱动的机器学习中变得越来越记负担的同时保持下游任务的高性能，例如动物检测

重要。主动学习通过允许机器学习模型使用包括大型和识别[4]。

本数据集中最具信息量样本在内的最优数据进行有效训AL指的是一组机器学习技术，旨在选择一个最

译练，提供了一个有前景的解决方案。由相机陷阱捕获优的数据集用于训练目标机器学习模型[5]。AL技术

中的野生动物数据量过大，需要大量的数据标注和动物可以分为针对特定模型的方法和不依赖于特定模型的

1检测模型训练工作。因此，将主动学习应用于优化已方法。针对特定模型的方法需要完全访问目标模型，

v标注数据的数量将极大有助于实现自动化的野生动植例如访问目标模型的中间层[6]或修改目标模型的架

7

3物监测和保护。然而，现有的主动学习技术要求机器构[7]。然而，出于隐私保护的考虑，并非总是能满足

5学习模型（即对象检测器）完全可访问，这限制了这这样的要求[8]。在本文中，我们专注于不依赖于特

6

0些技术的应用范围。本文提出了一种用于检测相机陷定模型的AL方法，其中仅使用来自目标模型的输出

.

7阱捕获动物的无模型依赖性主动学习方法。我们的方来进行AL。

0

5法在主动学习样本选择过程中整合了基于对象和基于对于从相机陷阱捕捉的野生动物检测，同一相机

2图像层面的样本不确定性与多样性量度。我们在基准陷阱捕获的动物图像具有相同的背景。我们发现这一

:

v

i动物数据集上验证了这种方法。实验结果表明，使用观察对将主动学习应用于野生动物检测特别有帮助，

x

r我们方法选取的仅占30%的训练数据，最先进的动物因为这有助于找到一组紧凑且多样化的图像来有效训

a

检测器可以达到与使用完整训练数据集相当或更好的练动物检测器。正如在[9]中所论证的那样，背景信息

性能。对于物体检测和实例分割方法的表现至关重要。作者

IndexTerms—主动学习，模型不可知的主动学还展示了可以通过简单地在同一背景下切割和粘贴对

习，动物检测，相机陷阱象图像来增强检测器的训练数据，从而减少训练图像

的数量。为了利用这一特性，我们建议将动物检测的

1.介绍框级不确定性和相机陷阱图像的图像级多样性整合到

主动学习中的抽样过程中。特别地，我们在工作中做

计算机视觉和机器学习的必威体育精装版进展为生态研究创出了以下贡献。

造了新的能力。由深度学习支持的自动野生动物检测

已成为保护和生物多样性评估的关键因素[1]。然而，•我们提出了一种模型不可知的主动学习方法，该

机器学习模型的表现很大程度上依赖于标记数据的可方法结合了目标级别不确定性和图像级别多样

用性，而这些数据往往难以获取、耗时且成本高昂。当性，用于从相机陷阱中检测动物。动物检测的目

从相机陷阱捕捉稀有野生动物物种的情况变得更加困标级别不确定性以模型不可知的方式由目标动

难时，这一问题就显得尤为严峻[2,3]。因此，越来