WildObserve: Camera-trap image review software that learns species labels during annotation
WildObserve 是一款桌面应用程序，通过在普通笔记本电脑上进行简单的标注，使研究人员能够迭代训练定制的物种分类模型，从而简化红外相机图像分析流程，在无需编程知识、GPU 或远程服务器的同时，保障数据隐私。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
长期以来，野生动物研究人员一直依赖运动感应相机来观察野外的动物。这些设备通常隐藏在森林或草原中，每当有物体移动时就会抓拍照片，从而创造出一段人类可能错过的、无声且连续的生命记录。然而，挑战不在于捕捉图像，而在于理解它们。一项研究可能会产生数百万张照片，其中大部分都是叶子或泥土的空镜头，等待着人类去筛选。多年来，科学家们一直求助于计算机视觉，使用能够识别动物并猜测其物种的软件。但当这些计算机程序遇到新环境、陌生的动物或不同的相机设置时，往往会表现得力不从心。此外，它们通常需要功能强大且昂贵的计算机来运行，或者要求研究人员将敏感照片上传到远程服务器，这可能会引发关于泄露稀有物种位置或意外拍到人类隐私的担忧。
一种名为 WildObserve 的新软件工具提供了一条不同的路径。该程序完全在标准笔记本电脑上运行，而不是强迫研究人员上传数据或购买专门的硬件。它在研究人员工作时进行学习，使其知识能够适应特定项目中的特定动物和名称。系统首先使用预训练模型来寻找图像中的动物，然后建议它们可能是哪些物种。随着人类审核员确认或纠正这些猜测，软件会立即更新自身的理解，实时学习该项目的特定物种列表。这种方法使得软件在处理每一张照片时都能变得更加聪明，而无需成千上万个标注样本或超级计算机。其结果是一个能够保持数据私密、可在离线状态下工作，并在研究人员执行任务时提供日益准确建议的工具，将一项庞大且缓慢的任务转变为可控的任务。
这项创新的核心在于软件的学习方式。传统方法通常需要从头开始重新训练复杂的神经网络，这个过程需要大量的数据和显著的计算能力。WildObserve 则采取了一种更简单、更高效的途径。当软件发现一只动物时，它会将该动物的图像转换为一组独特的数字，这本质上是一个描述其外观的“数字指纹”。这些指纹会被存储起来，一个简单的数学模型利用它们来猜测物种。当人类对动物进行标注时，软件会根据这一新信息立即调整其模型。这个过程在普通的笔记本电脑上大约只需一秒钟，使系统能够几乎立即学习项目的特定物种列表和命名规范。软件不需要再次看到图像即可学习，它只需根据已经保存的指纹来更新自己的理解。
在测试中，该软件表现出了惊人的速度和准确性。在一台配备 Apple M1 Pro 芯片的标准笔记本电脑上，它处理图像的速度约为每秒八张，这一速度允许研究人员在一天内处理数十万张照片。该系统使用两层智能来提供建议。首先，一个通用模型基于其广泛的训练来建议物종；其次，一个项目特定模型（通过学习研究人员自己的标注）会提供自己的猜测。只有当两个模型都达成一致且足够自信时，软件才会自动填充建议。如果两者意见不一，该框会被标记出来供人类检查。这种双重检查机制确保了软件不会自信地误判它从未见过的动物。
研究人员在两组大型红外相机图像集上测试了该系统。在其中一项使用加州图像的测试中，软件的项目模型在仅看到每个物种的几个示例后就达到了很高的准确度。随着标注示例数量的增加，准确度进一步提高，最终超越了仅靠通用模型的表现。在第二项使用俄勒冈州图像的测试中（通用模型从未见过这些图像），该软件依然表现良好。通用模型在处理当地的一些动物时表现挣扎，经常误判或直接放弃。然而，一旦项目模型从每个物种中学习了仅十个示例后，它的表现就超过了通用模型，能够正确识别出那些被更广泛的系统所遗漏的动物。这证明了该软件可以快速适应新环境和特定的局部物种，而无需从头开始重新训练。
WildObserve 的一个关键特性是对隐私和数据安全的承诺。与需要将图像上传到中央服务器的云端平台不同，该软件将所有数据保留在用户的计算机上。除非用户明确选择发送警报，否则没有任何图像、位置或个人信息会离开设备。这种设计保护了敏感物种的位置，并尊重了可能出现在照片中的人的隐私。此外，软件还会保留每一项决策的清晰记录，注明是由哪个模型做出的建议以及人类是否确认了该建议。这种透明度对于科学研究至关重要，确保了每个数据点的来源是已知且可追溯的。
开发者还解决了相机陷阱分析中的一个常见烦恼：软件经常会将树桩或岩石等静态物体误认为动物，从而产生虚假警报。WildObserve 包含一个识别固定物体的功能。如果软件在来自同一相机的许多张照片中，发现某个框出现在完全相同的位置，它就会将其标记出来。一旦用户确认其为固定物体，软件就会学会忽略未来该位置的所有此类物体。这避免了研究人员不得不手动删除数百次相同的虚假警报。
研究结论指出，AI 辅助审查并不一定需要复杂或昂贵。通过将通用物种模型与快速学习的项目模型相结合，WildObserve 让研究人员从第一张图像开始就能获得有用的建议，并随着工作的开展不断改进。该软件不需要编程技能，不需要昂贵的显卡，也不需要互联网连接即可运行。它代表了一种向更易于获取的工具转变的趋势，使任何研究人员都能使用，能够处理现代相机陷阱产生的海量数据，同时保持数据安全和过程高效。研究结果表明，只要方法得当，人工智能可以成为野生动物保护工作的强大伙伴，与使用它的科学家并肩学习。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。