《Ecological Solutions and Evidence》：DeepForestVision: Automated wildlife identification for camera traps of African tropical forests
编辑推荐：
热带森林具有丰富的生物多样性，但由于日益增加的人为压力正面临野生动物快速丧失的危机，这突出了有效监测的迫切需求。诸如相机陷阱之类的遥感工具为人类观察提供了更快捷、侵入性更小的替代方案。这些技术能够为难以通过直接观察触及的隐蔽物种提供补充性见解。然而，分析这些技
热带森林具有丰富的生物多样性，但由于日益增加的人为压力正面临野生动物快速丧失的危机，这突出了有效监测的迫切需求。诸如相机陷阱之类的遥感工具为人类观察提供了更快捷、侵入性更小的替代方案。这些技术能够为难以通过直接观察触及的隐蔽物种提供补充性见解。然而，分析这些技术产生的海量数据是一项劳动密集型工作，由于人力资源有限，数据集往往未被充分利用。深度学习算法可以实现数据分析过程的自动化，但它们对研究和保护工作的价值取决于其可靠识别目标物种的能力以及在野外条件下的易部署性。为了改善利用相机陷阱数据对非洲森林野生动物的监测，研究人员开发了DeepForestVision，这是第一个针对这些充满挑战的栖息地量身定制的深度学习算法，可在野外用于处理照片和视频。DeepForestVision在来自11个非洲国家63个以上研究地点的相机陷阱收集的前所未有的数据集（包含2,775,671张照片和221,982个视频）上进行了训练。它从地平面相机陷阱观察到的从最常见到最受威胁的物种中识别出33个非人类脊椎动物分类群，包括31个哺乳动物分类群，以及人类、车辆和空白照片或视频。分类测试表明，DeepForestVision在包含23个分类群的视频测试集上实现了87.7%的准确率。它优于适用于这些环境的三个现有物种识别算法：比Zamba高出13.1%，比Mbaza高出45.0%，比SpeciesNet高出37.7%。研究人员为研究者和开发者提供了模型权重，并通过免费的离线界面提供DeepForestVision。该界面专为在低资源环境下的野外操作而设计，无需编程专业知识。结论：DeepForestVision是一个可靠的野外工具，用于监测在非洲热带森林相机陷阱照片和视频中观察到的物种。它可被研究、保护、私营或政治参与者使用，能够指导保护区内外部的保护策略，从而有助于减少非洲热带森林的生物多样性丧失。
研究背景与意义
随着人为压力的不断加剧，全球生物多样性正加速流失，亟需有效的手段来监测野生动物种群的动态趋势。茂密的热带森林中，传统的基于人类直接观察的普查方法不仅耗时耗力，在后勤部署上也面临巨大挑战。对于遭受严重狩猎、稀有、隐蔽或夜行性的物种，直接目击极为困难，往往只能依赖间接指标来评估种群参数。在此背景下，相机陷阱作为一种无创且客观的遥感工具，在获取野生动物直接观察数据方面发挥了关键作用。然而，相机陷阱的大规模部署产生了海量的照片和视频数据，给数据存储、处理和信息提取带来了严峻挑战，导致大量数据因人力资源受限而未被充分利用。尽管计算机视觉算法为自动化分析提供了可能，但其在生物多样性保护中的实际价值高度依赖于模型的识别可靠性以及其在野外环境下的可操作性。针对非洲热带森林这一全球第二大热带雨林生境，现有的深度学习算法如Mbaza、Zamba和SpeciesNet在分类精度或野外适用性上均存在局限。为此，本研究开发了DeepForestVision——首个专为非洲热带森林复杂生境定制、支持野外照片与视频离线处理的深度学习算法。该研究不仅显著提升了物种自动识别的准确性，还通过提供免费离线界面打通了算法落地的最后一公里，对推动数据驱动的保护策略和减缓生物多样性流失具有重要的现实意义，该论文发表在《Ecological Solutions and Evidence》上。
主要关键技术方法
研究人员构建了一个两步走的处理流程。首先使用MegaDetector v5（一种YOLOv5模型）对图像中的动物、人类和车辆进行检测并裁剪边界框。随后将裁剪后的图像输入至基于自监督学习的视觉变换器（DINOv2）大型骨干网络中进行特征提取与微调分类。在投票决策机制下，算法对视频中提取的帧预测结果进行平均以输出最终单一类别。训练数据集包含了来自11个非洲国家63个研究点（如Sebitoli Chimpanzee Project和Elephant Expedition队列）的2,775,671张照片和221,982个视频，并辅以随机水平翻转等数据增强策略优化模型性能。
研究结果
分类器验证结果
通过在包含约10%数据的验证集上进行评估，微调后的DINOv2分类器在裁剪图像上达到了91.4%的准确率。结果显示，大多数常见分类群（如狒狒、蓝小羚羊、非洲象和黑猩猩等）的F1分数均超过95%。受限于训练样本量不足10,000张，少数分类群（如土豚、非洲金猫和獾等）的F1分数低于80%。模型出现频率最高的混淆主要发生在形态相近或夜行性物种之间，如婴猴属与松鼠、黑白疣猴与洛氏猴等，但绝大多数分类群不存在高于10%的混淆率，表明模型潜在的分类混淆已被有效识别和控制。
测试集结果
在来自乌干达基巴莱国家公园的14,982个视频测试集上，DeepForestVision实现了87.7%的准确率。其中狒狒、人类和黑猩猩等主要分类群的F1分数表现优异。部分分类群（如非洲水牛、啮齿动物和松鼠）由于夜间快速移动或画面模糊导致漏检率较高，F1分数相对较低。在来自加蓬洛佩国家公园的715,933张照片测试集上，模型准确率达到了98.9%。由于该数据集90.9%为空白照片，这极大考验了流程中MegaDetector的检测过滤能力，其中空白照片的F1分数高达99.5%，大象和人类类别的召回率也分别达到了96.8%和92.0%，证明了模型在剔除无效照片和识别核心物种方面的卓越效能。
与现有算法的比较
在与Mbaza、Zamba和SpeciesNet三种现有算法的对比测试中，DeepForestVision的微准确率全面胜出。在统一的测试集与可比对分类标准下，DeepForestVision的准确率分别比Mbaza高出45.0%、比Zamba高出13.1%、比SpeciesNet高出37.7%。除了在所有动物比较分类群的F1分数上均高于现有算法外，DeepForestVision在非洲金猫/薮猫和穿山甲等稀有物种的识别上展现出压倒性优势，并且对非人类灵长类物种提供了更精细的分类粒度。
参数敏感性分析
研究人员通过改变视频抽帧步长、检测阈值和分类阈值来探究参数对性能的影响。结果显示，将抽帧步长从0.5增至5以减少10倍计算量时，F1分数仅微降2.7%。调整MegaDetector的检测阈值可平衡空白视频与非空白视频的召回率，60%的阈值下F1分数达到峰值。此外，利用分类置信度过滤低分预测是提高准确率的有效手段，例如丢弃分类分数低于0.89的预测（仅占1.3%）即可使剩余预测的准确率提升至95%。
计算时间
在AddaxAI离线界面的测试中，不同硬件配置下处理100个视频的耗时差异显著。在配备普通CPU的平均水平计算机上，总处理时间约为2小时56分钟，比人工标注所需时间缩短了约40%。而在配备NVIDIA RTX A4000 GPU的高端计算机上，处理时间仅需8分钟，证明了该算法在野外常规计算资源条件下的高效可用性。
讨论部分与结论
DeepForestVision通过两步法成功识别了代表非洲热带森林的33个脊椎动物类别及人类、车辆与空白记录，在跨越不同国家和研究站点的新数据集上展现出强大的鲁棒性。讨论指出，在照片测试集中，整体98.5%的高准确率主要归功于流程中MegaDetector卓越的空白过滤能力，而后续分类器对于真正存在动物的预测也表现出极高的有效性。视频测试集中个别分类群得分偏低，主要归因于夜间动物快速移动导致的检测遗漏。与表现次优的Zamba相比，DeepForestVision不仅在准确率上实现超越，在穿山甲等稀有物种识别和灵长类分类精细度上也优势明显。研究人员指出，模型的步长、检测和分类阈值等参数可根据具体的保护目标（如最小化动物漏检率或优化计算时间）进行灵活调整。尽管DeepForestVision能大幅节省人工时间，但对于重点物种的预测仍需人工验证。未来，这类有效分类器将促进丰度估计等生态学研究，并有望作为自动代理集成于高级系统中提供实时预警。本研究验证了DeepForestVision可作为实用的野外工具，为非洲热带森林的保护与协同管理提供坚实的证据支持。
