编辑推荐：
在相机陷阱图像动物检测面临样本不平衡、物种区分难等挑战下，研究人员开展基于深度学习的动物检测研究。构建两阶段深度学习框架，经实验验证 F1 分数达 96.2%，提升了检测精度与效果，为野生动物监测助力。
在生态研究和保护领域，相机陷阱已成为监测动物种群的重要工具。它能自动触发并收集大量图像，可用于动物种群调查、物种活动模式分析等多项研究。然而，处理这些图像却困难重重。一方面，人工筛选图像既昂贵又耗时，成为研究进程的一大阻碍。另一方面，利用深度学习技术进行动物检测也面临诸多挑战。比如，动物与背景图像的不平衡，使得模型在判断图像是否有动物时容易出错；背景特征会干扰物种识别，导致误判；不同动物物种样本数量差异大，模型容易偏向常见物种，忽视稀有物种；区分相似物种更是难题，即便对专业生物学家来说，仅通过图像中的部分身体特征识别相似物种也颇具挑战。因此，开发更有效的动物检测方法迫在眉睫。
为解决这些问题，来自西班牙马拉加大学（University of Málaga）的研究人员 Margarita Mulero-Pázmány、Sandro Hurtado 等人开展了深入研究。他们提出一种全新的两阶段深度学习框架，相关研究成果发表在《Scientific Reports》上。
研究人员采用了多种关键技术方法。首先，利用 MegaDetectorV5（基于 YOLOv5 架构）作为半自动化标注工具，加速图像标注过程，为模型训练提供数据支持。其次，通过构建混淆矩阵、进行归一化处理得到相似性矩阵，并运用层次凝聚聚类算法，依据动物外观特征对物种进行分组，实现动物的自动聚类，为后续训练专门的专家模型奠定基础。最后，使用多种深度学习模型进行测试和比较，最终选择 YOLOv5 和 MegaDetector 作为预训练模型，分别训练一个全局模型和四个针对不同动物组的专家模型，组成两阶段深度学习检测系统。
下面来看看具体的研究结果：
- 整体检测性能：研究人员使用包含 120,000 多张图像的测试数据集对模型进行验证。第一阶段，全局模型将图像分类到四个组，F1 分数达到 97%。第二阶段，专家模型对全局模型的决策进行进一步分类，最终 F1 分数达到 96.2%，展现出良好的检测性能。
- 应对背景干扰：在处理背景干扰问题上，当全局模型将图像误判为 “背景” 时，专家模型能够重新评估。例如在一些复杂场景中，即便动物隐藏在背景深处或体型微小难以识别，如野猪（Sus scrofa）、小鹿（如 Capreolus capreolus）和老鼠（Mus 或 Apodemus sp.）等，该方法仍能在 99% 以上的情况下成功识别动物，有效减少了误判。
- 解决数据不平衡问题：针对数据不平衡问题，研究人员通过减少每个专家模型处理的动物类别数量，并对数据进行平衡处理，提高了少数类别的 F1 分数。像伊比利亚猞猁（Lynx pardinus）的 F1 分数从 76% 提升到 93% ，狍（Capreolus capreolus）从 57% 提升到 95% ，黇鹿（Dama dama）从 38% 提升到 82% ，欧洲野猫（Felis silvestris）从 70% 提升到 93% 。
- 区分相似物种：在区分相似物种方面，基于外观和大小进行分组训练的专家模型表现出色。例如，将马鹿（Cervus elaphus）和黇鹿分组后，专家模型能够识别出细微差异，马鹿的 F1 分数从 86% 提高到 92%，黇鹿从 38% 提高到 82%。对于兔子（Oryctolagus cuniculus）和野兔（Lepus granatensis）等小型动物，F1 分数也分别从 77% 提升到 94%、从 95% 提升到 97% 。
研究结论和讨论部分表明，该研究提出的两阶段深度学习工作流程在相机陷阱图像动物检测方面取得了显著成果。它有效减少了数据不平衡问题，降低了相似物种的误分类率，减少了假阴性情况的出现，提高了动物检测的准确性和可靠性。这一研究成果对于野生动物监测、生态研究和保护具有重要意义，为相关领域提供了更高效、准确的动物检测方法，有助于推动生态保护工作的开展。同时，研究人员也指出该方法存在一定局限性，如依赖人工标注图像可能引入误差，未来可探索使用其他基于人工智能的聚类算法，实现更全自动的检测方法，以适应不同的应用场景。
