Integrating Biological Data into Autonomous Remote Sensing Systems for In Situ Imageomics: A Case Study for Kenyan Animal Behavior Sensing with Unmanned Aerial Vehicles (UAVs)

要約

In situ イメージオミクスでは、機械学習技術を活用して、現場または現場で収集された画像から生物学的特徴を推測し、個々の生物、野生動物のグループ、生態系全体を研究します。
このようなデータセットは、推定された生物学的特性にリアルタイムの社会的および環境的コンテキストを提供し、新しいデータ駆動型の保全と生態系管理を可能にします。
画像から生物学的特徴を抽出する機械学習技術の開発は、これらのモデルのトレーニングに必要な量と質の高いデータによって妨げられています。
自律型無人航空機 (UAV) は、遠隔地を迅速に横断して、手動操縦の UAV ミッションに比べて一貫性と信頼性が高く大量のデータを収集できるため、現場でのイメージオミクス データの収集に最適です。
しかし、保全と生物多様性モニタリングのためのリモートセンシングを目的とした自律型 UAV ミッションの最適化に関するガイダンスはほとんど存在しません。
KABR によってキュレーションされた UAV ビデオ データセット: ドローン ビデオからのケニアの動物行動認識のための現場データセットは、収集に 3 週間を要し、時間と費用がかかる作業でした。
KABR を分析した結果、収集されたビデオの 3 分の 1 は野生動物の行動を推測する目的には使用できないことが判明しました。
私たちは、野生生物の行動を推測するために使用できる UAV ビデオの一部からの飛行テレメトリ データを分析し、これらの洞察を自律型リモート センシング システムに統合して野生生物をリアルタイムで追跡する方法を実証しました。
当社の自律型リモート センシング システムは、UAV の動作を最適化して利用可能なデータの収量を高め、熟練パイロットの飛行経路と 87% の精度で一致させます。これは、以前に提案された方法と比較して精度が 18.2% 向上したことを示しています。

要約(オリジナル)

In situ imageomics leverages machine learning techniques to infer biological traits from images collected in the field, or in situ, to study individuals organisms, groups of wildlife, and whole ecosystems. Such datasets provide real-time social and environmental context to inferred biological traits, which can enable new, data-driven conservation and ecosystem management. The development of machine learning techniques to extract biological traits from images are impeded by the volume and quality data required to train these models. Autonomous, unmanned aerial vehicles (UAVs), are well suited to collect in situ imageomics data as they can traverse remote terrain quickly to collect large volumes of data with greater consistency and reliability compared to manually piloted UAV missions. However, little guidance exists on optimizing autonomous UAV missions for the purposes of remote sensing for conservation and biodiversity monitoring. The UAV video dataset curated by KABR: In-Situ Dataset for Kenyan Animal Behavior Recognition from Drone Videos required three weeks to collect, a time-consuming and expensive endeavor. Our analysis of KABR revealed that a third of the videos gathered were unusable for the purposes of inferring wildlife behavior. We analyzed the flight telemetry data from portions of UAV videos that were usable for inferring wildlife behavior, and demonstrate how these insights can be integrated into an autonomous remote sensing system to track wildlife in real time. Our autonomous remote sensing system optimizes the UAV’s actions to increase the yield of usable data, and matches the flight path of an expert pilot with an 87% accuracy rate, representing an 18.2% improvement in accuracy over previously proposed methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google