Deep object detection for waterbird monitoring using aerial imagery

要約

植民地時代の水鳥の営巣島の監視は、水鳥の個体数の傾向を追跡するために不可欠であり、生態系の健全性を評価し、保全管理の決定を通知するために使用されます。
最近、水鳥のコロニーを正確に監視するための実行可能な技術として、無人航空機またはドローンが登場しました。
しかし、数百、場合によっては数千の航空写真から手動で水鳥を数えるのは難しく、時間がかかります。
この作業では、商用ドローンによって収集された航空画像を使用して、水鳥を正確に検出、カウント、および監視するために使用できるディープ ラーニング パイプラインを紹介します。
畳み込みニューラル ネットワーク ベースの物体検出器を利用することで、テキサス州の海岸沿いの植民地時代の巣作り島で一般的に見られる 16 種類の水鳥種を検出できることを示します。
Faster R-CNN と RetinaNet オブジェクト検出器を使用した実験では、それぞれ 67.9% と 63.1% の補間平均精度スコアが得られました。

要約(オリジナル)

Monitoring of colonial waterbird nesting islands is essential to tracking waterbird population trends, which are used for evaluating ecosystem health and informing conservation management decisions. Recently, unmanned aerial vehicles, or drones, have emerged as a viable technology to precisely monitor waterbird colonies. However, manually counting waterbirds from hundreds, or potentially thousands, of aerial images is both difficult and time-consuming. In this work, we present a deep learning pipeline that can be used to precisely detect, count, and monitor waterbirds using aerial imagery collected by a commercial drone. By utilizing convolutional neural network-based object detectors, we show that we can detect 16 classes of waterbird species that are commonly found in colonial nesting islands along the Texas coast. Our experiments using Faster R-CNN and RetinaNet object detectors give mean interpolated average precision scores of 67.9% and 63.1% respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google