Фотоловушка 2020 конкурс: Петербургские лисы впервые в числе номинантов национального конкурса «фотоловушка-2019»

Манулы против тигров: стартовало голосование за лучшие кадры, снятые фотоловушками в России

Медведь в избушке, погоня волков за маралом, манулёнок в ожидании мамы, лось за вечерней трапезой, сурок на разведке – эти и другие сюжеты из жизни диких животных регулярно попадают в объективы фотоловушек, установленных в российских заповедниках. В ноябре на сайте V Национального конкурса «Фотоловушка-2019» началось голосование за лучшие фото и видео, снятые в дикой природе автоматическими камерами. Проголосовать за понравившиеся изображения может любой желающий. Победителей объявят 29 декабря 2019 года.

«Фотоловушка» – первый в мире конкурс, к участию в котором принимаются изображения и видео, полученные только в дикой природе с использованием фотоловушек.

Участником конкурса может стать любая российская природоведческая организация, занимающаяся сохранением и изучением представителей животного мира в условиях дикой природы. Цель проекта – показать возможности использования современных технологий и поощрить использование их в сфере защиты, изучения, наблюдения и охраны окружающей среды.

Начало голосования ещё не означает окончания конкурса – приём материалов завершится только 25 декабря 2019 года. В категории «Фото» принимаются снимки в номинациях: «Хищники»; «Копытные»; «Кошачьи»; «Другие виды животных и птицы». В категории «Видео» принимаются ролики в номинациях: «Хищники»; «Копытные»; «Кошачьи»; «Другие виды животных и птицы»; «Видеоролик».

Победителей выберет экспертный совет: организатор и партнёры конкурса. Экспертным советом будет принято во внимание количество голосов, отданное материалам участника в ходе интернет-голосования.

Церемония награждения победителей конкурса «Фотоловушка-2019» пройдёт в январе 2020 года в Гостином Дворе в Москве в рамках Общероссийского фестиваля природы «Первозданная Россия».

Фотоловушка

Способность животных общаться между собой позволяет им лучше выживать. Лингвист и доктор филологических наук Светлана Бурлак в своей книге «Происхождение языка» написала: «Без коммуникации жить можно, но плохо и недолго».

Если животные могут, обменявшись несколькими сигналами, выяснить, кто из них выше другого в иерархии, то отпадает нужда кусать, клевать или как-то иначе травмировать друг друга. Чем более совершенна коммуникативная система какого-то вида, тем менее опасными для здоровья оказываются процессы взаимодействия.

Голосовые сигналы, мимика и специальные информативные движения требуют, чтобы животные находились рядом, видели и слышали друг друга. А вот маркировочная деятельность — это, скажем так, общение по переписке.

Выделяют такие виды маркировки, как почёсы, закусы, задиры коры, заломы ветвей и так далее. Медведи также часто оставляют «следовые метки» — они продавливают лунки в грунте, вращая лапами. Или «каталища» — места, где они валяются и трутся шерстью о землю.

Места, где происходит обмен информацией, как правило, постоянны. Это своеобразные «доски объявлений», куда каждый может прийти и что-нибудь «написать». Если найти такое место, то можно узнать много интересного.

В этом году Николай Александрович Завьялов, начальник научного отдела Рдейского заповедника, укрепил фотоловушку напротив одного такого маркировочного дерева, чтобы узнать, кто туда приходит. Фотоловушка простояла в лесу с 13 июня по 22 ноября 2019 г. За это время в зону её видимости попали несколько кабанов и енотовидных собак, лось и по меньшей мере четыре медведя: один — крупный самец, другой — среднего размера и медведица с медвежонком. Интересно наблюдать, как со временем медвежонок растёт: от кадра к кадру он становится всё крупнее. Медведи тёрлись шерстью о ствол, а кабаны, кроме этого, ещё и крошили древесину своими клыками.

Большой медведь с самого начала смотрел на фотоловушку с подозрением. И наконец 10 ноября решил её «поправить». С этого времени фотоловушка снимала только колышущуюся крону высокой ели и небо с проплывающими облаками.

 

Наталия ЗУЕВА,
орнитолог Рдейского заповедника

В Советском районе на браконьеров установили фотоловушки | Общество

28. 06.2021 18:34

#Общество

#Советский район

Автор: Сергей Коробков, при поддержке телекомпании «Радуга», фото – ОТРК «Югра»

Читать новости Югра ТВ в

Улыбнитесь — вас снимает скрытая камера. Росприроднадзор Югры в Советском районе взял на вооружение методы работы биологов.

Чтобы наблюдать поведение дикарей и браконьеров в естественной среде обитания, здесь используют фотоловушки.

Ловля авторов мусорных инсталляций для сотрудников Росприроднадзора Югры в Советском районе прежде была задачей почти непосильной. Территория большая, а штат сотрудников маленький. Даже просто выявить факт незаконной свалки было непросто. Не то что найти виновников. Решение оказалось простым и элегантным. Пару лет назад инспекторы взяли на вооружение фотоловушки. Логично рассудив, что раз те помогают ловить диких животных, то и с домашним скотом справятся.

Марина Пупышева, старший инспектор Советского отдела Природнадзора Югры: «В 2019 году установлено нарушений с применением фотоловушек 15, а в 2020 году уже 51 нарушение выявлено. В 2019 году 11 лиц привлечено к административной ответственности, как юридических, так и физических, а в 2020 уже 38 привлечено к административной ответственности».

Сценарий простой и действенный. На месте выявленной свалки ставят оборудование, а потом просто находят нарушителей по номерам автомобилей. Например, хозяин одного прицепа решил украсить лес рядом с Советским, а предприниматель сбрасывал отходы своей лесопилки в районе посёлка Агириш. Такие склады сухого горбыля в пожароопасный период всё равно, что бочка пороха в трансформаторной будке — хватит одной искры. 

«У нас очень много таких проблемных участков в Советском районе, где не считается зазорным вывезти отходы лесопиления — горбыль, опил — куда-то в лесной фонд, и оставить это там. Учитывая пожароопасные сезоны, опасность возгорания, самовозгорания этих отходов, мы стараемся это все пресекать», — сообщает Марина Пупышева.

Хиторумная техника без разбору сдаёт не только любителей мусорить, но браконьеров. Например, двое супругов, застигнутые за семейным подрядом по расстановке капканов. Суд оценил это видео. Кстати, если кто-то решит, будто сломать или выкинуть такую фотоловушку, это хорошая идея, он сильно заблуждается.

Даже просто прикрыть объектив — означает преступление.

Динара Карманова, старший инспектор Советского отдела Природнадзора Югры: «Хищение фотоловушки будет квалифицировано по части 1 статьи 158 уголовного кодекса РФ. — Такие случаи были уже? — Были такие случаи. Обращались мы в ОМВД России по Советскому району. Наша доблестная полиция оперативно сработала, фотоловушки были найдены».

Количество установленных ловушек постоянно увеличивается. И в Росприроднадзоре рассчитывают, что такая мера поможет сократить количество преступлений в лесах не только Советского района, но и всей Югры.

Помашите хвостом, вас снимают

Жизнь зверей в объективе фотоловушек Печоро-Илычского заповедника

17 января в Москве во время фестиваля природы «Первозданная Россия» наградят победителей национального конкурса «Фотоловушка-2019», в их числе представители Коми, сотрудники Печоро-Илычского заповедника. Конкурс фото и видео, снятых в различных заповедниках и национальных парках благодаря использованию фотоловушек, прошел в пятый раз, и уже второй раз награда достается видеоролику, снятому в верховьях Печоры.

Фоторегистраторы с датчиками движения начали использовать для наблюдения за животными довольно давно, но в последние годы эта техника становится все популярнее, поскольку появляются более надежные и простые в обслуживании модели, качество съемки улучшается. На заповедных территориях при помощи таких устройств можно поймать в кадр редких животных и птиц, избегающих внимания человека. Фотоловушки помогают с подсчетом представителей фауны, изучением их повадок, иногда благодаря им находят браконьеров. Как только ловушка сработала, камера с GSM-модулем отправляет MMS-сообщение на определенный номер телефона.

В Печоро-Илычском заповеднике фотоловушки используют несколько лет, сотрудники регулярно выкладывают на сайт интересные снимки и видео, пишут заметки на основе материалов, полученных с помощью автоматических регистраторов. Судя по информации, размещенной на сайте заповедника, обычно на его территории работает дюжина фотоловушек. У двух из них жизнь относительно спокойная, они не реагируют на движение, а просто делают снимки через определенное время, поскольку их задача отслеживать, когда распускаются листья и цветы, начинается ледостав, выпадает снег. А вот остальные десять стоят на тропах, по которым наиболее часто ходят животные. Таким образом сотрудники заповедника в первую очередь анализируют половозрастной состав медведей и лосей. Но в итоге удается увидеть еще очень много интересного с точки зрения науки, да и просто получить немало впечатляющих кадров и видео.

Например, однажды фотоловушка в Печоро-Илычском заповеднике зафиксировала молодую медведицу очень редкой светлой окраски. Также в кадр попадал дикий кабан – тоже очень редкий гость на территории заповедника. Удалось заснять рысь – это животное людям на глаза обычно не попадается, хотя его следы видят часто. Видеорегистратор зафиксировал и медвежьи «танцы у шеста». Как оказалось, ни один косолапый не может спокойно пройти мимо пропитанных антисептиком столбов с указателями на экологической тропе для туристов: начинают тереться об них, грызть, а потом пытаются вывернуть из земли.

Хотя устройства для автоматической съемки максимально маскируют, животные их довольно просто вычисляют. Некоторые инстинктивно обходят подозрительный предмет, другие стараются его изучить.

– Медведи, как одни из самых часто попадающих в кадр животных, нередко проявляют любопытство к фотоловушке. В результате таких попыток обнюхать или «попробовать на зуб» у установленных фотоловушек сбивается направление съемки либо устройство получает механическое повреждение, не всегда совместимое «с жизнью». Так, осенью прошедшего года одна фотоловушка получила трещину в корпусе. Осенний влажный воздух и зимние морозы сделали свое дело, и за зиму фотоловушка не сняла ни одного кадра, – рассказал научный сотрудник заповедника Александр Лазников.

Довольно часто в кадр попадают волки. Видео с волчьей семьей получило главный приз конкурса «Фотоловушка» в 2016 году, его признали лучшим среди сотен фото- и видеоизображений от нацпарков и заповедников со всей России. В качестве награды заповедник получил антибраконьерский комплекс мгновенного оповещения и фотоловушку. В том же году еще один приз уехал в Якшу за фото, на котором зафиксировано катание медведя в снегу.

В «Фотоловушке-2019» Печоро-Илычскому заповеднику досталась победа в отдельно выделенной по итогам конкурса номинации, поскольку еще одно «семейное видео» с медведицей и тремя медвежатами, собирающими чернику у кордона Шайтановка, набрало наибольшее количество голосов в ходе интернет-опроса. Призом станет персональный видеорегистратор от стратегического партнера конкурса АНО «Дальневосточные леопарды». Кроме видео с любителями черники заповедник представлял на конкурс еще несколько интересных сюжетов, в частности с табунком северных оленей и молодым лосем.

Анна ПОТЕХИНА

Фото pechora-reserve.ru/fotolovushki

Национальный парк Бикин / О парке / Новости / Национальный парк «Бикин» стал победителем конкурса «Фотоловушка»-2019 в номинации «Кошачьи»

Видео, снятое фотоловушкой, установленной специалистами национального парка «Бикин» в районе реки Нерестовка, стало победителем конкурса «Фотоловушка»-2019. В числе призеров также отмечены ФГБУ «Заповедное Приамурье», национальный парк «Земля леопарда», заповедник «Бастак» и Саяно-Шушенский заповедник. По словам руководителя отдела науки национального парка «Бикин» Владимира Попова, ролик для отправки на конкурс, снятый при помощи устройства Bushnell, сотрудники национального парка выбрали единогласно.

— Герой видео — тигр, снят крупным планом на берегу реки Нерестовка именно в марте – пояснил Владимир Попов, — отсюда название ролика, — Вообще такая крупноплановая сьемка большая удача, ведь зачастую камеры инспекторы устанавливают так, чтобы животные фиксировались чуть издалека, но в полный рост: фотоловушки нужны, чтобы наиболее эффективно вести учет тигра на территории. Всего в национальном парке «Бикин» установлено 66 фотоловушек. В ближайшее время их количество увеличится до 80.

Отметим, пятый национальный конкурс «Фотоловушка» проходил с 9 сентября по 25 декабря 2019 года. В этом году изменилась система выбора победителей. Кроме голосования на сайте, работы оценивал экспертный совет, в состав которого вошли представители организатора, партнеров конкурса, а также приглашенные эксперты. Они уделяли внимание качеству материалов, их эстетической и научной ценности.

Партнер конкурса, центр «Амурский тигр» поздравил победителей. Специалисты организации отметили, что за пять лет на сайт было загружено около 5000 фото и видео с лесных камер.

— Ежегодно повышается качество материалов, среди которых есть уникальные изображения, — рассказали в центре. Победа в таком серьезном конкурсе – это успех.

Добавим, посмотреть видео можно здесь:

На фото: кадры фотоловушек 

Красноярские ученые разработали программу для фотоловушек. Животных станет проще считать и охранять — Краевой фонд науки

25 марта 2020

Поделиться

Программный комплекс, предложенный красноярскими учеными, позволит точнее вести подсчет диких животных и птиц и получать больше данных об их поведении.

На сегодня в Красноярском крае насчитывается более 100 особо охраняемых природных территорий (ООПТ). Для мониторинга фауны используются два основных способа: традиционный (маршрутное наблюдение) и с помощью фоторегистраторов. Подсчет следов, нарушений растительности, мониторинг других характеристик экологических систем требует высокой квалификации специалистов, кроме того, на это уходит много времени, особенно на большой территории.

Как рассказали авторы разработки, фотоловушки в этом смысле более совершенны: дают более полную и точную информацию. Даже с небольшого их количества на территории Красноярского края можно получить тысячи снимков в год, из которых информативными окажется лишь небольшая часть. Включение камеры при обнаружении движения приводит к появлению большого количества дополнительной информации, когда одно событие отражается в серии до 50 снимков.

Чтобы обработать эти данные вручную, уходит много времени, к тому же часто возникают ошибки. Поэтому перед учеными встала задача разработки программы, которая позволила бы перевести анализ и систематизацию снимков в автоматический режим.

Фотоловушки используются во всем мире и дают отличные результаты для экологического мониторинга, — комментирует один из авторов проекта, канд. техн. наук Валерий Ничепорчук. — Однако лев в саванне на фоне заходящего солнца при обработке и анализе снимков — это совсем не то же самое, что бурый медведь на фоне темного елового леса. Условия нашей местности представляют особую трудность для обработки снимков, поэтому необходима специальная программа, которая бы сумела учитывать сезонные и погодные условия тайги при распознавании животных, позволяла бы отбирать и систематизировать информативные снимки и быстро обрабатывать большой массив данных

Для создания специального алгоритма обработки снимков, сделанных в условиях дикой природы, потребовалось тесное взаимодействие зоологов и математиков: одни предоставляют информацию о видах и особенностях поведения животных, другие программируют систему для распознавания изображений и анализа данных экологического мониторинга. Такое взаимодействие стало возможно благодаря финансовой поддержке Российского фонда фундаментальных исследований, Правительства Красноярского края и Красноярского краевого фонда науки.

В итоге вместо большого количества снимков для ручной обработки исследователи получат с фотоловушек таблицу со структурированной информацией о том, какое животное, в каких условиях и в каком состоянии приходило на водопой или солонцы. Это позволит отследить динамику популяции, выявить факторы, которые влияют на численность животных. Полученные данные будут пополнять базу данных для составления отчетов круглогодичного мониторинга диких животных на площадях ООПТ, а главное, эти данные помогут более эффективно планировать мероприятия по охране животных, ведь сохранение биоразнообразия и поддержка экосистем — это главный результат проекта.

Региональный конкурс проектов фундаментальных научных исследований, в рамках которого поддержан проект, связанный с мониторингом диких животных, дает ученым возможность решать глобальные задачи современного мира, — комментирует исполнительный директор Красноярского краевого фонда науки Ирина Пантелеева. — Работа с большими данными является одной из самых актуальных в современных научных исследованиях, а задача грамотного использования больших данных для изучения и сохранения животного мира позволила объединить в рамках одного гранта усилия многих ученых .

Еще одна задача проекта — адаптация разработанных методов анализа больших данных для мониторинга диких животных на других территориях с другими сезонными и погодными условиями. Разработкой уже заинтересовались ученые Урала и Дальнего Востока. В Красноярском крае разработку планируется использовать в национальном парке «Красноярские Столбы», природном парке «Ергаки» и других территориях.

Источник: Ньюслаб
Фотография предоставлена авторами проекта

Обнявший дерево амурский тигр и другие лучшие снимки дикой природы 2020 года

• Джонатан Амос
• Научный корреспондент Би-би-си

13 октября 2020

Автор фото, Sergey Gorshkov/WPY2020

Подпись к фото,

Снимок Сергея Горшкова называется «Объятие»

Чтобы сфотографировать одно из самых редких животных на Земле, требуется огромная выучка и невероятная удача. Но и то и другое было у Сергея Горшкова — российского фотографа, который получил главный приз на конкурсе фотографов дикой природы Wildlife Photographer of the Year (WPY) за снимок самки амурского тигра на Дальнем Востоке.

На фотографии, получившей главный приз, тигрица словно обнимает дерево. На самом деле животное трется о кору, чтобы таким образом оставить на ней свой запах и пометить территорию. Снимок сделан в заказнике «Леопардовый» в Приморском крае.

«Свет, цвета и текстура здесь как на картине, написанной маслом, — сказала Би-би-си глава жюри конкурса Wildlife Photographer of the Year Роз Кидманд-Кокс. — Тигрица как бы превратилась в часть леса. Ее хвост сливается с корнями дерева. Они стали одним целым».

Тем более замечательно, что этот кадр сделан при помощи фотоловушки. Горшков оставил аппаратуру в лесу и месяцами ждал, пока она автоматически сработает в момент, когда рядом появится тигр. Разумеется, фотограф знал, где именно стоит ожидать амурских тигров, — и в этом проявилось его мастерство автора снимков дикой природы.

Амурские, или уссурийские тигры находятся на грани исчезновения, сейчас в природе осталось не более нескольких сотен особей. Поскольку популяция животных, на которых охотятся тигры — оленей и кабанов, также сокращается, хищникам приходится преодолевать большие расстояния в поисках пищи.

Все это делает фотоохоту на амурских тигров невероятно сложной: получить их изображения очень непросто, не говоря уже о снимках такого высокого качества. Только подумайте: фотоловушка, при помощи которой был сделана фотография, пролежала в лесу 10 месяцев, и только потом из нее извлекли карту памяти с бесценным кадром.

О награде, полученной Сергеем Горшковым, объявила герцогиня Кембриджская Кейт (супруга принца Уильяма), а также телеведущие Крис Пекхэм и Меган Маккубин. Они принимали участие в проходившей онлайн церемонии, которую организовал лондонский Музей естественной истории. Именно он уже 56-й год организует конкурс Wildlife Photographer of the Year, который считается одним из самых престижных в мире.

Другие призеры конкурса

«Лиса, которая поймала утку». Лина Хейкинен (Финляндия)

Автор фото, Liina Heikkinen/WPY2020

Эту фотографию молодой лисы, заполучившей на обед белощекую казарку, сделала юная жительница Финляндии Лина Хейкинен. Она не только стала победителем в категории для авторов снимков в возрасте от 15 до 17 лет, но также получила гран-при для молодых фотографов. Лиса забралась между камнями, чтобы добычей не поживились ее братья и сестры. «Членам жюри это особенно понравилось, потому что такую фотографию мог сделать только настоящий юный натуралист, — объясняет Кидманд-Кокс. — Композиция просто замечательная. Вероятно, Лине пришлось лечь на землю, потому что она оказалась с этой молодой лисой просто с глазу на глаз».

«Поза». Могенс Тролле, Дания

Автор фото, Mogens Trolle/WPY2020

Молодой самец-носач (этот вид приматов также называют кахау) сфотографирован в профиль. Снимок получил приз в категории лучший портрет, он был сделан в заповеднике обезьян-носачей на острове Борнео. Этот замечательный во всех отношениях нос станет еще больше, когда молодой самец вырастет. Тогда он будет издавать еще более мощные звуки — и, по всей видимости, это станет свидетельством его растущего социального статуса.

«Река огня на вулкане Этна». Лучиано Гауденцио, Италия

Автор фото, Luciano Gaudenzio/WPY2020

В конкурсе Wildlife Photographer of the Year принимают участие не только снимки животных. Эта фотография была сделана на северной стороне самого активного европейского вулкана Этна, она получила главный приз в категории «природные среды». Чтобы подобраться поближе к объекту съемки, фотографу Лучиано Гауденцио пришлось выдержать сильную жару и ужасный запах вулканических газов. Он говорит, что ему открылось завораживающее зрелище: жерло вулкана напоминало «открытую рану на грубой и морщинистой коже гигантского динозавра».

«Уравновешенная жизнь». Джейми Кулебрас, Испания

Автор фото, Jaime Culebras/WPY2020

Эта стеклянная лягушка, закусывающая пауком, победила в категории «поведение: земноводные и рептилии». Джейми Кулебрас сфотографировал ее в эквадорском заповеднике Мандуриаку во время проливного дождя. В одной руке ему пришлось держать зонтик и вспышку, а фотоаппарат — в другой.

«Повесть о двух осах». Франк Дешандоль, Франция

Автор фото, Frank Deschandol/WPY2020

Чтобы сделать этот снимок, фотографу пришлось применить специально разработанную камеру с затвором, который может работать на крайне малых выдержках. Только так можно было заставить этих двух ос «замереть» на фотографии, сделанной в Нормандии, на севере Франции. Роющая оса и оса-блестянка собираются залететь в гнездо. Франк Дешандоль получил приз в категории «поведение: беспозвоночные».

«Золотое мгновение».

Сунда Цай, Китай

Автор фото, Songda Cai/WPY2020

Победитель в категории для снимков, сделанных под водой. На нем изображен небольшой головоногий моллюск из отряда кальмары. Сунда Цай сделал эту фотографию во время погружения около деревни Анилао на Филиппинах. Длина моллюска — 6-7 сантиметров.

«Мама говорит, что надо бежать». Шаньюань Ли, Китай

Автор фото, Shanyuan Li/WPY2020

Это семейство молодых манулов — млекопитающих из семейства кошачьих, которые обитают на Тибетском нагорье в северо-западной части Китая. Фотограф шесть лет изучал этих животных и отслеживал их передвижения. Снимок победил в категории «поведение: млекопитающие».

В обычные времена премии Wildlife Photographer of the Year вручаются на церемонии в лондонском Музее естественной истории. Однако из-за пандемии коронавируса она прошла в интернете, как и многие другие аналогичные мероприятия в этом году.

Однако выставка, на которой можно будет увидеть победившие снимки, все же состоится, правда попасть на нее можно будет только по билетам, которые нужно бронировать заранее.

В понедельник организаторы начинают принимать заявки на участие в конкурсе следующего года.

Автор фото, Sergey Gorshkov

Подпись к фото,

Сергей Горшков готовит фотоловушки в заказнике «Леопардовый»

Автор фото, Sergey Gorshkov

Подпись к фото,

Территория заказника очень велика, и тигры преододевают сотни километров в поисках пищи

Конкурс

: iWildCam 2020 | WILDLABS.NET

#iWildCam 2020 приближается к 100 командам! Осталось еще 27 дней, чтобы помочь отслеживать биоразнообразие, соревнуясь в идентификации видов на изображениях, сделанных фотоловушками. Загляните на @kaggle: https://t.co/WoNSQUPODP pic.twitter.com/j8ucH7Krk2

— Семинар FGVC (@fgvcworkshop) 29 апреля 2020 г. . Это последний день, когда участники могут присоединиться или объединить команды.

26 мая 2020 г. – последний срок подачи заявок.

О конкурсе

Фотоловушки (или дикие камеры) позволяют автоматически собирать большие объемы данных изображения. Биологи всего мира используют фотоловушки для мониторинга биоразнообразия и плотности популяций видов животных. Недавно мы добились успехов в автоматической классификации видов на изображениях, сделанных фотоловушками. Однако, когда мы пытаемся расширить область применения этих моделей, мы сталкиваемся с интересной проблемой: как нам обучать модели, которые хорошо работают в новых (невидимых во время обучения) местах расположения фотоловушек? Можем ли мы использовать данные из других модальностей, таких как данные гражданской науки и данные дистанционного зондирования?

Чтобы решить эту проблему, мы подготовили задание, в котором обучающие и тестовые данные поступают с разных камер, разбросанных по всему миру.Набор видов, видимых в каждой камере, перекрывается, но не идентичен. Задача состоит в том, чтобы правильно классифицировать виды в тестовых камерах. Чтобы изучить мультимодальные решения, мы позволяем участникам тренироваться на следующих данных: (i) наш тренировочный набор фотоловушек (данные предоставлены WCS), (ii) данные iNaturalist 2017-2019 и (iii) мультиспектральные изображения (с Landsat 8) для каждого из мест фотоловушки. На странице конкурса GitHub мы предоставляем мультиспектральные данные, файл таксономии, отображающий наши классы в таксономию iNat, подмножество данных iNat, сопоставленное с нашим набором классов, и модель обнаружения фотоловушки (MegaDetector) вместе с соответствующими обнаружениями.

Это соревнование FGVCx является частью семинара FGVC7 на CVPR 2020 и спонсируется Microsoft AI for Earth and Wildlife Insights. Здесь есть страница конкурса на GitHub. Пожалуйста, откройте вопрос, если у вас есть вопросы или проблемы с набором данных.

Конкурс iWildCam 2018 можно найти здесь, а конкурс iWildCam 2019 – здесь.

Обзор данных

Учебный набор WCS содержит 217 959 изображений из 441 местоположения, а тестовый набор WCS содержит 62 894 изображения из 111 местоположений.Эти 552 места разбросаны по всему миру.

Вы также можете использовать дополнительные тренировочные данные из наборов данных соревнований iNaturalist 2017, iNaturalist 2018 и iNaturalist 2019. В качестве любезности мы выбрали все изображения из этих наборов данных, содержащих классы, которые могут быть в тестовом наборе, и сопоставили их с категориями iWildCam. Примечание. Эти отобранные изображения взяты только из наборов данных iNaturalist 2017 и iNaturalist 2018, поскольку между набором данных iNaturalist 2019 и набором данных WCS нет общих классов.Однако участники по-прежнему могут свободно использовать данные iNaturalist 2019.

В этом году мы предоставляем мультиспектральные снимки Landsat-8 для каждой камеры в качестве дополнительных данных. В частности, каждый сайт связан с рядом фрагментов, собранных в период с 2013 по 2019 год. Патчи извлекаются из продукта Landsat «Уровня 1», который состоит только из данных, соответствующих определенным геометрическим и радиометрическим стандартам качества. Следовательно, количество патчей на сайт варьируется от 39 до 406 (медиана: 147).2 с разрешением 30 м/пиксель в 9 спектральных диапазонах. Обратите внимание, что все исправления для данного сайта регистрируются, но не центрируются точно в месте расположения камеры, чтобы защитить целостность сайта.

Данные можно загрузить со страницы конкурса GitHub.

Модель для обнаружения животных с фотоловушкой

Мы также предлагаем общую модель для обнаружения животных, которую конкуренты могут свободно использовать по своему усмотрению.

Модель представляет собой модель TensorFlow Faster-RCNN с магистралью Inception-Resnet-v2 и жесткой сверткой.

Модель и пример кода для работы детектора с папкой изображений можно найти здесь.

Мы прогнали детектор по трем наборам данных и предоставили 100 лучших блоков и связанные с ними достоверности вместе с метаданными для WCS.

Дополнительную информацию см. на странице конкурса GitHub.

Набор данных соревнований iWildCam 2020

Чтобы понять влияние загрязнения, эксплуатации, урбанизации, глобального потепления и политики сохранения на биоразнообразие нашей планеты, нам нужен доступ к точным и последовательным измерениям биоразнообразия.Исследователи часто используют камеры-ловушки — статические камеры, активируемые движением, размещенные в дикой природе — для изучения изменений в видовом разнообразии, плотности популяции и поведенческих моделях. Эти камеры могут снимать тысячи изображений в день, и время, необходимое специалистам для идентификации видов в данных, является основным узким местом. Автоматизировав этот процесс, мы можем предоставить важный инструмент масштабируемой оценки биоразнообразия.

Изображения фотоловушки снимаются автоматически на основе срабатывания сенсора, поэтому нет гарантии, что животное будет в центре, сфокусировано, хорошо освещено или в соответствующем масштабе (они могут быть как очень близко, так и очень далеко от камеры, каждая вызывает свои проблемы).См. рис. 2

для примеров этих задач. Кроме того, до 70% фотографий в любом заданном месте могут быть вызваны чем-то другим, кроме животных, например, ветром в деревьях. Автоматизация маркировки фотоловушек не является новой задачей для сообщества специалистов по компьютерному зрению.

. Однако в большинстве предлагаемых решений используются одни и те же камеры как для обучения, так и для тестирования производительности автоматизированной системы. Если мы хотим создать системы, обученные обнаруживать и классифицировать животных, а затем развертывать их в новых местах без дальнейшего обучения, мы должны измерить способность машинного обучения и компьютерного зрения к

обобщению на новые среды   [4, 19] . Это центральное место в задачах [4] 2018 года, [2] 2019 года и 2020 года iWildCam.

Задача iWildCam 2020 включает новый компонент: использование нескольких модальностей данных (см. рис. 1). Экосистему можно контролировать различными способами (например,г. фотоловушки, гражданские ученые, дистанционное зондирование), каждый из которых имеет свои сильные и слабые стороны. Чтобы облегчить изучение методов объединения этих дополнительных потоков данных, мы предоставляем временные ряды изображений дистанционного зондирования для каждого местоположения фотоловушки, а также тщательно подобранные подмножества наборов данных соревнований iNaturalist, соответствующие видам, замеченным в данных фотоловушки. Было показано, что эффективность классификации видов может быть значительно улучшена за счет использования информации помимо самого изображения [14, 8, 6] , поэтому мы ожидаем, что участники найдут творческие и эффективные способы использования этих данных.

(PDF) Набор данных соревнований iWildCam 2020

Society за предоставление данных фотоловушек и аннотаций.

Мы благодарим Kaggle за поддержку конкурса iWildCam

в течение последних трех лет. Спасибо также магазину FGVC Work-

, Visipedia и нашему консультанту Пьетро Пероне за постоянную поддержку. Эта работа была частично поддержана грантом NSF GRFP

№ 1745301. Мнения авторов и

не обязательно отражают взгляды NSF.

Ссылки

[1] iNaturalist. https://www.inaturalist.org/.

[2] Фотоловушки Общества охраны дикой природы

Набор данных. http://lila.science/datasets/

wcscameraraps.

[3] Сара Бири, Ян Лю, Дэн Моррис, Джим Пиавис, Ашиш

Капур, Нил Джоши, Маркус Мейстер и Пьетро Перона. Синтетические примеры улучшают обобщение для редких классов. In

Зимняя конференция IEEE по компьютерным приложениям

Vision, страницы 863–873, 2020 г.

[4] Сара Бири, Дэн Моррис и Пьетро Перона. Набор данных iwildcam

2019 года. ArXiv, abs/1907.07617, 2019.

[5] Сара Бири, Дэн Моррис и Сию Ян. Эффективный конвейер

для просмотра изображений с фотоловушек. Препринт arXiv

arXiv: 1907.06772, 2019.

[6] Сара Бири, Грант ван Хорн, Ойсин МакАодха и Пьетро

Перона. Набор данных конкурса iwildcam 2018. Препринт arXiv

arXiv:1904.05986, 2019.

[7] Сара Бири, Грант Ван Хорн и Пьетро Перона.Признание

in terra incognita. В Proceedings of the European Conference-

ence on Computer Vision (ECCV), стр. 456–473, 2018 г.

[8] Sara Beery, Guanhang Wu, Vivek Rathod, Ronny Votel,

and Jonathan Huang. Контекст r-cnn: долгосрочный временной контекст для обнаружения объектов каждой камерой. Препринт arXiv

arXiv:1912.03538, 2020.

[9] Гобин Чен, Тони Х Хан, Чжихай Хе, Роланд Кейс и

Тэвис Форрестер. Глубокая сверточная нейронная сеть на основе распознавания

видов для мониторинга диких животных.In Image

Processing (ICIP), Международная конференция IEEE 2014 г.,

, страницы 858–862. IEEE, 2014.

[10] Грейс Чу, Брайан Потец, Вейджун Ван, Эндрю Ховард,

Ян Сонг, Фернандо Брухер, Томас Леунг и Хартвиг ​​

Адам. Геоориентированные сети для детального распознавания.

ICCV Workshop on Computer Vision for Wildlife Conservation-

, 2019.

[11] Yin Cui, Menglin Jia, Tsung-Yi Lin, Yang Song, and Serge J.

Belongie.Потери, сбалансированные по классам, основаны на эффективном количестве

выборок. CoRR, abs/1901.05555, 2019.

[12] Джони-Эриберто Хиральдо-Сулуага, Аугусто Салазар, Алексан-

дер Гомес и Анг’

Элика Диас-Пулидо. Сегментация изображений с фотоловушек

с использованием многоуровневого надежного анализа основных компонентов

. The Visual Computer, страницы 1–13, 2017 г.

[13] Google Earth Engine. USGS Landsat 8 Surface Reflectance

Уровень 1. https://developers.google.com/

earth-engine/datasets/catalog/LANDSAT_

LC08_C01_T1_SR.

[14] Ноэль Горелик, Мэтт Хэнчер, Майк Диксон, Саймон

Ильющенко, Дэвид Тау и Ребекка Мур. Google

earth engine: Планетарно-масштабный геопространственный анализ для каждого

one. Дистанционное зондирование окружающей среды, 2017 г.

[15] Ойсин Мак Аодха, Элайджа Коул и Пьетро Перона. Наличие-

только географические априорные данные для детальной классификации изображений-

.ICCV, 2019.

[16] Агнешка Мигель, Сара Бири, Эрика Флорес, Лорен Клемес-

руд и Рана Байракцисмит. Поиск областей движения на

изображениях с фотоловушек. In Image Processing (ICIP), 2016

Международная конференция IEEE, стр. 1334–1338. IEEE,

2016.

[17] Мохаммад Садег Норуззаде, Дэн Моррис, Сара Бири,

Нил Джоши, Небойша Джоджич и Джефф Клун.

глубокая система активного обучения для идентификации и подсчета видов

на изображениях с фотоловушек.Препринт arXiv arXiv:1910.09716,

2019.

[18] Мохаммед Садег Норуззаде, Ань Нгуен, Маргарет

Космала, Али Суонсон, Крейг Пэкер и Джефф Клун.

Автоматическое определение диких животных на изображениях фотоловушек

с помощью глубокого обучения. Препринт arXiv arXiv:1703.05830, 2017.

[19] Стефан Шнайдер, Грэм В. Тейлор и Стефан Кремер.

Методы обнаружения объектов глубокого обучения для экологических камер-

Данные ловушки эпохи.В 2018 г. 15-я конференция по компьютерам и

Robot Vision (CRV), страницы 321–328. IEEE, 2018.

[20] Michael A Tabak, Mohammad S Norouzzadeh, David W

Wolfson, Erica J Newton, Raoul K Boughton, Jacob S Ivan,

Eric A Odell, Eric S Newkirk, Reesa Y Conrey, Jennifer L

Стенглейн и др. Улучшение доступности и способности передачи алгоритмов машинного обучения для идентификации

животных на изображениях фотоловушек: Mlwic2. bioRxiv, 2020.

[21] Геологическая служба США. Снимки Landsat 8.

https://www.usgs.gov/land-resources/

nli/landsat/landsat-8.

[22] Грант Ван Хорн, Ойсин Мак Аодха, Ян Сон, Инь Цуй,

Чен Сун, Алекс Шепард, Хартвиг ​​Адам, Пьетро Перона и

Серж Белонги. Набор данных для классификации и обнаружения инопланетных видов. В материалах конференции IEEE

компьютерного зрения и распознавания образов, страницы 8769–8778,

2018.

[23] Александр Гомес Вилла, Аугусто Салазар и Франциско

Варгас. На пути к автоматическому мониторингу диких животных: идентификация видов животных на изображениях, сделанных фотоловушками, с использованием очень глубоких сверточных нейронных сетей. Ecological Informatics,

41:24–32, 2017.

[24] Майкл Дж. Уилбер, Уолтер Дж. Шайрер, Фил Лейтнер, Брайан

Хефлин, Джеймс Зотт, Дэниел Рейнке, Дэвид К. Делани и

Терренс Э. Боулт . Распознавание животных в пустыне Мохаве:

Инструменты технического зрения для полевых биологов. В Applications of Computer

Vision (WACV), Семинар IEEE 2013 г., страницы 206–213.

IEEE, 2013.

[25] Хайдер Юсиф, Цзяньхэ Юань, Роланд Кейс и Чжихай Хе.

Быстрое обнаружение людей и животных с сильно загроможденной камеры-

изображения-ловушки с использованием совместного моделирования фона и глубокого обучения-

классификации. In Circuits and Systems (ISCAS), 2017

Международный симпозиум IEEE, стр. 1–4. IEEE, 2017.

[26] Zhi Zhang, Zhihai He, Guitao Cao и Wenming Cao.

Обнаружение животных из сильно загроможденных природных сцен с использованием

пространственно-временных предложений области объекта и проверки патчей. IEEE Transactions on Multimedia, 18(10):2079–2092,

2016.

Классификация животных на фотоловушках с использованием глубокого обучения

TL;DR

Я использовал данные конкурса iWildCam 2020 Kaggle, чтобы попрактиковаться в машинном обучении после прохождения курса глубокого обучения fast. ai. Мне удалось создать решение, которое достигло 78% точности на тестовом наборе при классификации животных на фотографии с фотоловушки, что ставит решение в 10% лучших результатов этого конкурса (10/126).Я построил две модели: первая модель — это ResNet50 на исходных изображениях, но с измененным размером, с умеренным увеличением данных, смешиванием и TTA, вторая модель — это также ResNet50, построенная на обрезанных изображениях для обнаружения животных. Прогнозы были объединены с вероятностями модели исходных изображений, взвешенными с коэффициентами 0,3 и 0,7 для прогнозов обрезанной модели. Наконец, прогнозы были сгруппированы с использованием местоположения и отметки времени в последовательности, и класс большинства был присвоен всей последовательности в качестве окончательного прогноза.

Зебра захвачена фотоловушкой. Изображение из тестового набора iWildcam 2020.

Предварительная обработка данных

Целью конкурса iWildCam 2020 года была классификация животных на фотографиях с фотоловушек. Созданное решение должно точно работать на снимках, сделанных в новых локациях. Данные, предоставленные организаторами соревнований, имели большое разрешение и должны были быть изменены перед анализом, чтобы ускорить время обучения. Также нет необходимости обучать модель на изображениях большого разрешения.Я использовал набор данных, которым поделился Джони Ювонен, с размерами изображений, измененными до 256×256. Большое спасибо за то, что поделились этими данными публично с другими. Кроме того, я создал набор данных и обрезал исходные изображения в поля, предоставленные моделью детектора (предоставленные в качестве данных соревнований). Я обрезал изображения до bbox с достоверностью предсказания выше 30%.

Увеличение данных

Я использовал случайное вращение на 20 градусов, случайное масштабирование и искажение перспективы, а также отрегулировал яркость и контрастность как для полных изображений, так и для обрезки.Я использовал заполнение отражения и нормализовал данные для статистики ImageNet.

Модели

Я построил две модели машинного зрения, используя fastai v1. Первая модель была построена на оригинальных изображениях, уменьшенных до 128×128. Я обучил ResNet50, используя политику одного цикла и смешав 10 эпох с замороженным телом, а следующие 10 эпох, где все веса модели были переобучены. Вторая модель была также обучена ResNet50 на обрезанных изображениях, измененных до 128×128, с использованием политики одного цикла 12 эпох с замороженным телом и следующих 12 эпох, где все веса были обновлены.Я попробовал смешанную точность и прогрессивное изменение размера и увеличил разрешение фотографий до 256×256, но это не улучшило результаты для второй модели.

Предсказания

Прогнозы были сделаны с использованием увеличения времени тестирования для обеих моделей. Точность первой модели составила 68% (рассчитано на частной таблице лидеров Kaggle). Объединение прогнозов двух моделей улучшило результаты на 10 %, в результате чего окончательная точность составила 78 %. Я агрегировал вероятности двух моделей по формуле 0.3 * вероятности из модели 1 + 0,7 * вероятности из модели 2 . Для изображений без прогнозов второй модели (отсутствие bbox или слишком низкая достоверность) я использую только прогнозы первой модели. Наконец, я сгруппировал прогнозы в последовательности, которые я создал, используя информацию о местоположении фотографии и отметку времени. Для каждой последовательности я выбрал класс большинства в последовательности в качестве метки предсказания.

Код

Я обучил модели, используя ядра Kaggle.

• Блокнот с моделью на исходных изображениях с уменьшенным размером до 128×128 находится здесь.
• Ноутбук со второй моделью на обрезанных картинках здесь.
• Ядро собирает здесь результаты.

Благодарности

Большое спасибо авторам fast.ai за создание потрясающих учебных ресурсов и мощной библиотеки глубокого обучения.

[PDF] Набор данных соревнований iWildCam 2020

ПОКАЗЫВАЕТСЯ 1-10 ИЗ 27 ССЫЛОК

СОРТИРОВАТЬ ПОРелевантностьНаиболее влиятельные документыНедавность

Набор данных испытаний iWildCam 2019

Американский Юго-Запад и Американский Северо-Запад, а также позволяет конкурентам использовать трансферное обучение из двух альтернативных областей: созданные человеком изображения из iNaturalist и синтетические изображения из среды моделирования Microsoft TrapCam-AirSim. Expand

• Посмотреть 2 выдержки, справочная информация

Эффективный конвейер для просмотра изображений фотоловушек

Предлагается конвейер, который использует преимущества предварительно обученного общего детектора животных и меньшего набора помеченных изображений для обучения модели классификации, которая может эффективно добиться точных результатов в новом регионе. Expand

Автоматическая идентификация диких животных на изображениях с фотоловушек с помощью глубокого обучения

В этой статье используются существующие помеченные человеком изображения из набора данных Snapshot Serengeti для обучения глубоких сверточных нейронных сетей для идентификации 48 видов в 3.2 миллиона изображений, сделанных в национальном парке Серенгенти в Танзании, и обучает нейронные сети, которые автоматически идентифицируют животных с точностью более 92%. Expand

Набор данных испытаний iWildCam 2018

Набор данных испытаний предоставляется для изучения того, распространяются ли автоматические решения для аннотирования данных фотоловушек на новые местоположения, поскольку наиболее полезными будут системы, которые обучаются один раз и могут быть развернуты для автоматической работы в новых местах. Expand

• Посмотреть 3 выдержки, справочная информация

Методы обнаружения объектов глубокого обучения для данных экологических фотоловушек

Эта работа демонстрирует возможности двух классификаторов обнаружения объектов глубокого обучения, Faster R-CNN и YOLO v2.0, для идентификации, количественной оценки и локализации видов животных на изображениях фотоловушек с использованием камеры-ловушки Reconyx и наборов данных Gold Standard Snapshot Serengeti. Expand

Распознавание в Terra Incognita

Алгоритмы обнаружения и классификации желательно обобщать на незнакомые среды, но подходящих эталонов для количественного изучения этого явления пока нет. Мы… Развернуть

• Посмотреть 1 отрывок, ссылки методы

Новости | Сара Бири

28.04.2021

Приглашен выступить на панели Out in Technology and Math , мероприятии UCSD для студентов LGBTQ + STEM

17.04.2021

Провел приглашенный технический доклад под названием ИИ для сохранения дикой природы для ИИ для человечества.

10.03.21

Конкурс iWildCam 2021 уже начался! В этом году мы выходим за рамки однокадрового обнаружения и категоризации видов и начинаем подсчитывать особей каждого вида в пакетах изображений.

20.02.21

Провел приглашенный семинар под названием CV для мониторинга биоразнообразия в глобальном масштабе: масштабирование пространственных и таксономических покрытий с использованием контекстных подсказок в EPFL.

11.01.21

Удостоен стипендии Amazon/Caltech AI4Science Fellowship.Эта стипендия присуждается аспирантам и докторантам, которые оказали значительное влияние на машинное обучение и искусственный интеллект, а также на их применение в областях, выходящих за рамки информатики

.

15.12.20

Был назван Восходящей звездой науки о данных Центром данных и вычислений (CDAC) Чикагского университета в январе 2021 года.

10.12.20

Удостоен стипендии PIMCO в области науки о данных. Эта стипендия признает и поддерживает аспирантов и докторантов, которые оказали значительное влияние на науку о данных в широком смысле и ее применение в социальных науках.

30.11.20

Провел приглашенный семинар под названием На пути к мониторингу биоразнообразия в глобальном масштабе: масштабирование пространственных и таксономических покрытий с использованием контекстных подсказок в Microsoft Research Cambridge.

16.11.20

Выступил с пленарным докладом на тему «Глубокое обучение + фотоловушки » на семинаре Imaginecology.

17.10.20

Выступил с докладом о мониторинге биоразнообразия в глобальном масштабе и провел учебное пособие по работе с данными датчиков статического мониторинга в Консорциуме докторантуры CompSust.

04.08.20

Выступил с приглашенным докладом на виртуальном собрании Экологического общества Америки в 2020 году, Улучшение компьютерного зрения для фотоловушек: использование практических знаний для создания лучших моделей в рамках сессии «Глубокое обучение для анализа изображений в экологии».

28.06.20

Янник Килчер опубликовал фантастическое видео-прохождение нашей статьи: Context R-CNN: долгосрочный временной контекст для обнаружения объектов каждой камерой (объяснение статьи) .

26.06.20

Опубликована запись в блоге Google AI об архитектуре Context R-CNN под названием Использование временного контекста для обнаружения объектов .

25.06.20

Предоставил приглашенный технический учебник WILDLABS под названием Как мне начать использовать машинное обучение для моих фотоловушек? , запись доступна здесь.

19.06.20

представил результаты конкурса iWildCam 2020 и принял участие в панельной дискуссии с победителями на седьмом семинаре по мелкозернистой визуальной категоризации (FGVC) на CVPR 2020 на CVPR 2020.

18.06.20

Представлено Context R-CNN: долгосрочный временной контекст для обнаружения объектов каждой камерой на CVPR 2020.

14.06.20

Представлено Context R-CNN: долгосрочный временной контекст для обнаружения объектов каждой камерой на семинаре Women in Computer Vision Workshop на CVPR 2020.

26.05.2020

Конкурс iWildCam 2020, посвященный идентификации видов в фотоловушках, завершился, в нем приняли участие 126 команд со всего мира! Смотрите финальную таблицу лидеров здесь.

26.05.2020

Прочитал приглашенную лекцию для Caltech EE/CNS/CS 148 (Избранные темы вычислительного зрения) под названием Компьютерное зрение для сохранения . Смотрите слайды здесь.

03.04.2020

Выступил с приглашенным докладом на открытом семинаре для выпускников CompSust под названием Улучшение компьютерного зрения для фотоловушек: использование знаний практиков для создания решений для реальных задач . Смотрите запись здесь.

09.03.20

Запущен iWildCam 2020, наш третий ежегодный конкурс фотоловушек, связанный с седьмым семинаром по мелкозернистой визуальной категоризации (FGVC) на CVPR 2020.

02.03.20

представили нашу работу «Синтетические примеры улучшения обобщения для редких классов » на WACV2020.

01.03.20

организовал семинар по методам глубокого обучения и приложениям для повторной идентификации животных на WACV2020 вместе со Стефаном Шнайдером и Джейсоном Пархэмом и выступил с докладом под названием Повторная идентификация животных по изображениям с фотоловушек: можем ли мы иметь дело с данными низкого качества?

25.

02.20

Провел приглашенный ведомственный семинар под названием Компьютерное зрение для мониторинга и сохранения биоразнообразия с Элайджей Коулом в Йельском центре биоразнообразия и глобальных изменений.Мы также провели несколько дней, посещая Jetz Lab.

02.03.20

Наша статья Context R-CNN: долгосрочный временной контекст для обнаружения объектов каждой камерой была принята на CVPR 2020!

21.02.20

Выступил с докладом, Улучшение компьютерного зрения для фотоловушек с помощью экспертной интуиции На выездном семинаре Visipedia 2020 в Технологическом институте Корнелла, который я также помог организовать.

08.02.20-13.02.20

Посетил проект Mara Elephant в Масаи-Мара, Кения, чтобы дать толчок будущему сотрудничеству между MEP, WildMe и Vulcan Machine Learning Center for Impact.

05.02.20

Провел приглашенный семинар под названием ИИ для фотоловушек: проблемы, передовой опыт, контрольные показатели и данные о разгрузке во Всемирном агролесном хозяйстве (ICRAF) в Найроби, Кения.

03.02.20

Посетил WWF Кении, чтобы обсудить интеграцию технологии в их трансграничную программу сохранения Южной Кении, Северной Танзании (SOKNOT).

30.01.20

Посетил технологическую лабораторию Ол Педжета в Лайкипии, Кения, чтобы обсудить варианты расширения своей работы в области технологий консервации.

15.01.20-29.01.20

Спроектировано и установлено экологическое исследование с использованием 100 фотоловушек в Исследовательском центре Мпала в Лайкипии, Кения, в сотрудничестве с Great Grevy’s Rally.

16.12.19

Сдал кандидатский экзамен! В мой комитет входят Исон Юэ (председатель), Пьетро Перона, Серж Белонги и Кэти Боуман.

7.11.19-11.08.19

Выступал и помогал организовать симпозиум по технологиям фотоловушек в Google. Я выступил с докладом на сессии машинного обучения и провел группу вопросов и ответов.Разговор можно посмотреть здесь.

29.10.19

Приглашен представлять сообщество CV/ML на виртуальной встрече WildLabs по Camera Trapping. Я выступил вместе с Роландом Кейсом, профессором-исследователем в Университете штата Северная Каролина и главой лаборатории биоразнообразия в Музее естественных наук Северной Каролины, и Сэмом Секкомбом, техническим руководителем проекта и полевым специалистом отдела технологий сохранения в ZSL.

27.10.19

Выступил с докладом, участвовал в дискуссии и работал в программном комитете на семинаре по компьютерному зрению для сохранения дикой природы на конференции ICCV 2019 в Сеуле, Южная Корея.Мой доклад назывался « Фотоловушки: обобщение, эффективность выборки, передовой опыт, контрольные показатели и разрозненность данных» .

22.10.19

Представлен расширенный реферат, Эффективный конвейер для автоматизации идентификации видов в новом Camera Trap Projects на симпозиуме по продвижению исследований в области биоразнообразия с помощью искусственного интеллекта на выставке Biodiversity Next 2019 в Лейдене, Нидерланды. Я также был соавтором второго реферата, Тренировочные машины для идентификации видов с использованием наборов данных, опосредованных GBIF , и меня пригласили выступить на панели по ИИ для биоразнообразия.

30.08.19

Прошел стажировку в Google Research в Сиэтле, штат Вашингтон, и меня пригласили остаться в Google в качестве студента-исследователя в течение учебного года.

05.08.19

Сделал устную презентацию «Эффективный конвейер для обзора изображений с фотоловушек» на семинаре по интеллектуальному анализу данных и искусственному интеллекту для сохранения на KDD 2019 в Анкоридже, Аляска. Наша статья была выбрана для участия в праздновании Дня Земли на главной конференции KDD.

17.06.19

Saw 336 глобальных команд участвуют во втором году конкурса iWildCam 2019, посвященного фотоловушке, в рамках Шестого семинара по мелкозернистой визуальной категоризации (FGVC) на CVPR 2019 в Лонг-Бич, Калифорния.

13.05.19

Начал свою летнюю исследовательскую стажировку в команде Visual Dynamics в Google, работая с Джонатаном Хуангом и Wildlife Insights.

iWildCam 2020 Trail Camera Классификация животных | by Bbouslog

Авторы : Brent Bouslog, Joseph Dieciedue, Roger Terrazas, Guanyu Zhang

По всему миру камеры-ловушки (или Wild Cams) создают огромные коллекции изображений, которые биологи и любители природы используют для наблюдения за дикой природой. разнообразие и плотность населения.В последнее время научное сообщество в целом настаивает на использовании методов классификации изображений для упрощения сбора данных о дикой природе. Однако одна из самых больших проблем с классификацией изображений дикой природы заключается в том, что, хотя одна модель может хорошо работать в определенном месте камеры, она, скорее всего, не будет работать хорошо в другом. Kaggle впоследствии проводила конкурс iWildCam с 2018 года, чтобы побудить ученых, занимающихся данными, найти решение проблемы классификации диких животных. В следующей статье будет описан подход, который использовала группа студентов-инженеров из Техасского университета в Остине, чтобы получить 65 баллов точности.7% на тестовый набор данных соревнований iWildCam 2020.

Самый важный шаг при запуске проекта по науке о данных — анализ данных. Набор данных, на котором мы обучали наши модели, состоит из 280 852 изображений, сделанных 552 камерами-ловушками в местах, разбросанных по всему миру. Большинство этих изображений, примерно 78%, находятся в тренировочном наборе. Кроме того, в тренировочном наборе есть камеры в 441 различных местах, а в тестовом наборе — камеры в 111 различных местах, а это означает, что между тренировочным и тестовым наборами нет общих камер-ловушек.Это несоответствие местоположения отражается распределением классов в каждом наборе. Поскольку камеры в каждом из наборов находятся в разных местах, каждый набор не захватывает все классы. Поэтому наша модель должна уметь классифицировать животных, которых она никогда не увидит в тренировочном наборе. На рисунках ниже показаны различия в распределении классов между обучающей и тестовой выборками.

Здесь мы видим, что процент изображений, классифицированных как пустые и человеческие, различается в обучающем и тестовом наборе.Часть круговой диаграммы, посвященная животным, символизирует оставшиеся 265 классов видов. Это также наше первое представление о том, насколько несбалансирован набор данных, с которым мы работаем. Изображения, классифицированные как пустые, то есть движущаяся листва или падающая ветка дерева вызвали срабатывание фотоловушки, составляют более 27% всех изображений в наборе данных. Люди также часто запускают фотоловушки, учитывая, что на их долю приходится 11% всех изображений в наборе данных. Однако дисбаланс классов не ограничивается этими двумя самыми популярными классами.Мы следовали блокноту Александры Дейс, чтобы лучше рассмотреть данные [1]. Ниже приведены несколько графиков, иллюстрирующих серьезность дисбаланса. Классы с наибольшей частотой содержат тысячи изображений в наборе данных, в то время как некоторые классы имеют менее 10 изображений. Некоторые классы даже имеют только одно изображение во всем наборе данных. Наша модель должна будет преодолеть этот дисбаланс классов, поскольку такой тип распределения набора данных ожидается при работе с камерами следа. Многие изображения, сделанные фотоловушками, бесполезны для ученого, пытающегося отслеживать биоразнообразие и плотность населения. Хорошая модель должна уметь идентифицировать и отсеивать бесполезные изображения, правильно идентифицируя животных, даже тех, с которыми она встречалась небольшое количество раз.

Распределение классов в наборе данных изображений iWildCam

Также существует несоответствие в количестве изображений, поступающих от каждого из местоположений фотоловушек. Некоторые из камер, которые вносят вклад в набор данных, отвечают за тысячи изображений, в то время как другие вносят очень небольшой вклад. Есть несколько причин, которые могли бы объяснить этот дисбаланс, такие как плотность листвы, плотность животных и возраст камеры.Графики ниже показывают это несоответствие. Этот дисбаланс местоположения, в дополнение к тому факту, что места обучения и тестирования не используются совместно, создает некоторые проблемы для точности классификации наших моделей. Тем не менее, это проблема, которую мы должны преодолеть, поскольку цель этого конкурса — создать модель, которая будет работать по мере добавления новых локаций и новых камер.

Распределение местоположений в наборе данных изображений iWildCam

Наконец, давайте посмотрим на количество животных, найденных на каждом изображении.Подавляющее большинство изображений содержат менее двух животных. Почти на каждом изображении меньше пяти животных, но на некоторых до 80, например, на изображении ниже. На изображениях, подобных этому, животные на изображении принадлежат к тому же классу, поскольку это обычно стадо некоторых видов. На других изображениях с несколькими животными большую часть времени все они принадлежат к одному виду. Тем не менее, будут случаи, когда срабатывает фотоловушка и на изображении присутствует более одного класса. Однако в предоставленном нам наборе данных изображения связаны только с одним классом, поэтому мы не сможем правильно классифицировать оба класса на изображении.

Распределение количества животных на изображении в наборе данных изображений iWIldCam

Изображения с камеры Trail сопровождаются многими проблемами, которые обычно не встречаются в других задачах классификации изображений. Есть много технических проблем, возникающих с камерами следа, и есть много факторов окружающей среды, которые влияют на качество получаемых изображений [2]. Ниже приведены некоторые примеры вариаций данных в диких камерах, которые нам пришлось преодолеть в ходе предварительной обработки данных и разработки модели.

Примеры плохого освещения, размытия движения и окклюзии соответственно на изображениях с камеры следа Пример временных изменений на изображениях камеры следа (одно и то же место, разное время года)

Адаптивная гистограммная коррекция с ограниченным контрастом (CLAHE) и любой набор данных камеры следа — это изображения низкого качества с плохой контрастностью из-за того, что многие изображения сделаны ночью.Чтобы решить эту проблему, мы решили применить адаптивную коррекцию гистограммы с ограниченным контрастом к каждому изображению, как это было предложено в записной книжке Kaggle, автором которой является Чанран Ким [3]. Ниже приведено изображение, показывающее, как работает метод CLAHE на одном из изображений из нашего набора данных.

Левое изображение является исходным изображением, а зеленая рамка показывает местонахождение животного (солнечного медведя) на этом изображении. На этом исходном изображении животное трудно отличить от фона из-за недодержки. Одним из методов решения этой проблемы является метод под названием «Выравнивание гистограммы», результат которого показан на среднем изображении.После применения этого алгоритма к исходному изображению с гистограммой, имеющей неравномерное распределение, гистограмма нового изображения будет равномерно растянута таким образом, чтобы каждому значению пикселя соответствовало несколько точек. Даже после выравнивания гистограммы все еще остается некоторая дезинформация. В этом примере выравнивание гистограммы привело к передержке. Алгоритм CLAHE, являющийся модифицированной версией выравнивания гистограммы, разбивает исходное изображение на небольшие части и в каждой части применяет отдельные выравнивания гистограммы.Билинейная интерполяция применяется для сглаживания границ между разделенными частями изображения. На правом изображении показан окончательный результат применения алгоритма CLAHE. Локальный контраст изображения усиливается, и мы можем видеть больше информации об очертаниях животного [4].

Пример выравнивания гистограммы по сравнению с CLAHE на изображении из набора данных изображений iWildCam.Поэтому мы хотели бы сосредоточиться только на животных, а не на фоне. Учитывая, что некоторые изображения содержат слишком много информации о фоне, мы хотим извлечь из этих изображений информацию о животных. Конкурс предоставил каждому участнику базовую модель обнаружения животных, разработанную Microsoft, которую они назвали MegaDetector. Эта модель не только классифицирует каждое изображение как изображение, не содержащее ничего, изображение, содержащее животное, или изображение, содержащее человека, но также создает ограничивающую рамку со значением достоверности вокруг каждого обнаруженного животного или человека [5].Вместо того, чтобы запускать модель на всех изображениях, нам дали файл, содержащий информацию о классификации, достоверности и ограничивающей рамке для каждого изображения, как было предоставлено моделью MegaDetector. Мы использовали информацию о ограничивающей рамке, чтобы обрезать исходные изображения, и мы обрезали изображение только в том случае, если достоверность рамки была больше 50%. После этого шага новые изображения теоретически должны содержать только информацию о животных, и их должно быть легче классифицировать.

Пример выходных данных модели MegaDetector на изображении койотаПримеры выходных данных модели MegaDetector на различных классах животных из набора данных изображений iWildCam

Еще одна проблема с набором данных заключалась в том, что многие классы имели менее пяти изображений, а некоторые даже мало как один.Поэтому, чтобы избежать переобучения для этих небольших классов, мы решили применять различные дополнения данных к каждому изображению перед каждой эпохой обучения. Например, мы применили случайные горизонтальные перевороты, сдвиги и повороты, чтобы создать у нашей модели иллюзию того, что у нас больше различий в наших данных, чем на самом деле. Это позволило нам получить больше разнообразия в нашем обучающем наборе данных без необходимости собирать больше данных. Более того, это помогло нам предотвратить переоснащение последовательностей изображений, на которых одно и то же животное находилось в одном и том же положении и в одной и той же среде.Однако недостатком увеличения данных является то, что оно требует больших вычислительных ресурсов, и, поскольку нам приходилось вызывать его во время создания каждого пакета во время обучения, это увеличивало общее время обучения. После применения всех этих методов предварительной обработки данных мы уменьшили размер каждого изображения до 200 на 200 пикселей, чтобы сократить общее время выполнения и сделать размер набора данных более управляемым.

Для нашей модели мы решили реализовать трансферное обучение на предварительно обученной сверточной нейронной сети.Набор данных iWildCam огромен, и для обучения глубокой сверточной нейронной сети, которая будет хорошо работать даже удаленно, нам потребуется больше ресурсов графического процессора, чем было в нашем распоряжении. Поэтому, чтобы сэкономить время и ресурсы, мы решили обучить меньшую нейронную сеть на выходных вложениях предварительно обученной сверточной нейронной сети, которая была обучена на обширном наборе данных изображений, таком как ImageNet. ImageNet — это обширная база данных изображений, содержащая миллионы изображений с сотнями различных классов, многие из которых представляют собой различные виды животных, поэтому мы решили, что модели, обученные на этом наборе данных, могут быть разумно применены к нашей проблеме.

Что касается архитектуры предварительно обученной сверточной нейронной сети, то мы остановились на архитектуре ResNet50 [6]. Архитектура ResNet50, победившая в конкурсе ImageNet 2015 года, стала одной из первых архитектур, эффективно решивших проблему исчезновения градиентов в глубоких сетях. Это позволило гораздо более успешно обучать чрезвычайно глубокие сети, чем когда-либо прежде. Они добились этого, добавив «пропускные соединения» между слоями [7].

Изображение Skip Connection из DeepLearning.AI

Идея пропуска соединений заключается в том, что они обеспечивают альтернативный путь для данных, а также градиенты для прохождения через модель. Следовательно, вместо того, чтобы проходить через сверточные слои, данные и градиенты могут полностью обходить их через пропущенные соединения. Проблема с глубокими сетями обычно заключается в том, что с каждым последующим слоем градиент по отношению к функции ошибок становится исчезающе малым, эффективно предотвращая обновление весов и улучшение модели.Пропуск соединений смягчает эту проблему, предоставляя альтернативный путь для потока градиентов, чтобы они исчезали медленнее в чрезвычайно глубоких сетях. Более того, теоретически они позволяют создать функцию идентичности нижнего слоя. Это означало бы, что более высокий уровень должен работать как минимум так же хорошо, как и нижний уровень, потому что, если бы это было не так, модели было бы лучше полностью обойти уровень с пропускным соединением [7].

Чтобы реализовать это трансферное обучение, мы следовали статье о реализации трансферного обучения с архитектурой RestNet50 в Pytorch [8].Мы добавили два полносвязных слоя с активацией ReLu, а также один выходной слой с активацией softmax, чтобы они служили предсказаниями нашего класса. Обратите внимание, что выходной слой имеет только 216 узлов, так как в обучающем наборе всего 216 классов. Остальные 49 классов существуют исключительно в тестовом наборе данных, и мы решили, что не было бы возможности классифицировать их, если бы они не были в обучающем наборе без сбора дополнительных данных. Мы оставили веса ResNet50 предварительно обученными в наборе данных ImageNet и обучили только наши новые три слоя в наборе данных iWildCam.Из-за огромного размера нашего набора данных нам нужно было тренироваться только в течение 3 эпох, прежде чем мы увидели, что наши потери при проверке перестали уменьшаться.

Диаграмма модели сверточной нейронной сети с переносом обучения

С помощью этой базовой модели мы получили около 60% точности в тестовом наборе данных Kaggle. Это было достаточно хорошо, но мы знали, что можем повысить производительность нашей модели с помощью некоторых метаданных о том, где и когда были сделаны изображения. Вместе со снимками у нас были данные о том, в какое время суток и в каком месяце были сделаны снимки.Мы подумали, что это будет важно из-за моделей активности, которым обычно следуют животные, которые совпадают со временем суток или сезонами. Кроме того, нам были предоставлены снимки Landsat-8 для всех локаций, для которых были установлены фотоловушки. Landsat-8 — это спутник, который делает снимки из космоса со многими диапазонами спектральной информации, такой как видимый свет, инфракрасные волны и тепловая информация. Мы взяли эти изображения для каждого местоположения и усреднили все значения пикселей 9 полос информации, которые мы считали наиболее важными [9].Мы подумали, что это может дать нам представление о типе среды обитания для каждого места и, следовательно, сузить круг животных, которые могут быть на изображении. Наконец, у нас была информация о том, сколько изображений было сделано для данной последовательности изображений. Мы подумали, что это может быть важно, поскольку более крупные животные, как правило, ходят медленнее, чем более мелкие, и, следовательно, дольше остаются в кадре, производя больше изображений каждый раз, когда они были замечены камерой следа. Мы обучили классификатор случайного леса на этом новом наборе данных с выходными данными сверточной нейронной сети и метаданными в качестве признаков и смогли достичь точности 65.7% в тестовом наборе данных Kaggle.

Классификатор случайного леса с накоплением, использующий базовые выходные данные CNN и метаданные в качестве признаков. Матрица путаницы для нашей окончательной модели классификации. Это означает, что наша модель достаточно хорошо работает в местах, которые не были замечены в наборе обучающих данных. Таким образом, мы можем сказать, что достигли цели конкурса, которая состояла в том, чтобы создать модель, которая хорошо обобщается на новые места. Выше вы можете увидеть матрицу путаницы нашей модели в наборе обучающих данных. Вы можете видеть общую диагональную линию, означающую, что большинство классов были предсказаны правильно с приличной скоростью. Однако вы также можете увидеть несколько вертикальных линий, представляющих классы, для которых многие другие классы были неверно предсказаны. Некоторыми из этих классов были классы 3, 96, 115, 317, 372 и 374, представляющие центральноамериканских агути, импалу, дик-дик Гюнтера, чернолобого дукера, глазчатую индейку и большого курасова соответственно.

Изображения центральноамериканского агути (вверху слева), импалы (вверху в середине), дик-дика Гюнтера (вверху справа), чернолобого дукера (внизу слева), глазчатой ​​индейки (внизу в середине) и большого курасова (внизу справа) соответственно

Если бы кто-то наивно посмотрел на эти изображения, можно было бы подумать, что многие изображения были неверно предсказаны как эти животные просто из-за нечетких черт, которые соответствуют профилю многих разных животных. Возможно, это так, но следует также отметить, что эти классы занимают 8-е, 6-е, 18-е, 5-е, 3-е и 4-е места по количеству изображений соответственно из всех классов в наборе обучающих данных.Поэтому наша модель, безусловно, страдает от некоторых проблем, возникающих из-за значительно несбалансированных классов, как мы описали ранее.

Напротив, наша модель очень хорошо различала несколько разных классов, не ошибочно предсказывая другие классы как этот класс. В частности, одним из этих классов был класс 404 или класс пропусков зажигания. Теперь это чрезвычайно важно, потому что наряду с классом 0 или классом ничего, который наша модель также предсказывает очень точно, эти изображения представляют собой изображения, которые биологи, которые могут захотеть использовать эту модель, хотели бы отфильтровать с высокой точностью.Для них важны только изображения, содержащие информацию о биоразнообразии в виде различных видов, поэтому возможность отфильтровывать эти изображения чрезвычайно важна.

Пример ошибочного изображения из набора данных изображений iWildCam

Наша модель не только хорошо предсказывала изображения, на которых не было животных, но и было несколько видов, которые были предсказаны с очень высокой точностью, не вызывая неправильного предсказания многих других видов как их тоже. Некоторыми из этих классов были классы 2, 71, 91, 110, 112 и 139, представляющие белогубого пекари, корову, гигантскую сумчатую крысу, водяного буйвола, жирафа и большого аргуса соответственно.

Изображения белогубого пекари (вверху слева), коровы (вверху посередине), гигантской сумчатой ​​крысы (вверху справа), водяного буйвола (внизу слева), жирафа (внизу в середине) и большого аргуса (внизу справа) соответственно

на этих изображениях нетрудно распознать, что у каждого из этих видов есть некоторые очень узнаваемые черты. И у пекари, и у коровы есть несколько особей, у сумчатой ​​крысы очень длинный хвост, у буйвола очень различимые рога, у жирафа есть и пятна, и очень большая шея, а у большого аргуса очень большие и красочные перья. Поэтому наша сверточная нейронная сеть, вероятно, уловила некоторые из тех особенностей, которые позволили нашей модели предсказывать эти изображения с такой высокой точностью. Однако следует также отметить, что некоторые из наших функций метаданных были очень важны, когда дело дошло до классификации изображений с нашей окончательной моделью случайного леса.

Верхние 50 признаков важности для окончательного классификатора сложенного случайного леса с использованием выходных данных CNN и метаданных в качестве признаков

Удивительно, но количество кадров в последовательности оказалось вторым по значимости признаком.Это может объяснить, почему мы смогли предсказать такие классы, как водяной буйвол, корова и жираф, с такой высокой точностью, потому что они с большей вероятностью дольше остаются в кадре из-за их тенденции ходить медленнее. Точно так же время года было важно для определения видов, вероятно, из-за тенденции животных мигрировать в разные места в течение года. Кроме того, очень важны метаданные о местоположении со снимков Landsat-8. Теоретически это могло позволить нам различать обычно неотличимых друг от друга животных по внешнему виду.Например, горный лев и лев относительно неразличимы с точки зрения внешности. Тем не менее, горный лев, как правило, живет в более горных и лесных районах, в то время как лев, как правило, живет в более травянистых саваннах. Следовательно, только по информации о местонахождении можно было определить, от какого вида произошло изображение. Мы можем видеть это по результатам нашей модели, потому что львы были ошибочно предсказаны как горные львы и наоборот в 0% случаев.

Изображения горного льва (слева) и льва (справа) из набора данных изображений iWildCam.Тем не менее, есть еще некоторые проблемы, которые мы хотели бы решить, и функции, которые мы хотели бы реализовать, если бы у нас было больше времени. Даже после предварительной обработки данных некоторые изображения из обучающей выборки по-прежнему имели низкое качество. Хотя это ожидается от следящих камер, которые обычно делают изображения более низкого качества, чем большинство камер, мы хотели бы исследовать больше методов улучшения качества изображения, таких как удаление размытия с изображений. Кроме того, мы хотели бы включить изображения с предыдущих соревнований iWildCam, чтобы помочь нам справиться с классами с очень небольшим количеством изображений.Нашим ограничивающим фактором на протяжении всего проекта был размер данных. Поскольку тренировочный набор для конкурса 2020 года уже составлял 108 ГБ, которые мы сжали примерно до 8 ГБ после изменения размера изображений, мы решили воздержаться от попыток обрабатывать еще больше данных, хотя мы знали, что это улучшит нашу модель. Если бы у нас было больше времени, мы бы приложили больше усилий для размещения наших данных и моделей на облачной платформе, такой как Amazon Web Services. При этом мы могли бы размещать наши данные в сегменте хранилища, а не на наших локальных машинах, и могли бы включать данные с предыдущих соревнований, что, в свою очередь, скорее всего, улучшило бы наши модели. Одной из функций, которую мы хотели бы реализовать, было своего рода обнаружение аномалий или способ классификации изображений как видов, которые еще не были замечены моделью. Это было бы важно для определения того, был ли открыт новый вид, и, следовательно, это могло бы заинтересовать многих биологов. В заключение, хотя есть вещи, которые мы все еще можем улучшить, с точки зрения создания хорошо работающего классификатора животных с помощью камеры наблюдения на новых локациях можно смело сказать, что мы добились этой цели.Мы надеемся, что биологи всего мира смогут использовать модели, подобные нашей, для помощи в мониторинге биоразнообразия по мере того, как мы вступаем в эпоху, когда общество все больше угрожает дикой природе.

[1] А. Дейс, «iWildCam EDA» Kaggle , март 2020 г. [Онлайн]. Доступно: https://www.kaggle.com/aleksandradeis/iwildcam-eda [По состоянию на апрель. 17, 2020].

[2] О. Аодха, С. Бири и Э. Коул, «Конкурс iWildCam 2020», iNaturalist , март 2020 г. [Онлайн]. Доступно: https://github.com/visipedia/iwildcam_comp/blob/master/readme.md. [По состоянию на 9 апреля 2020 г.].

[3] К. Ким, «Предварительная обработка изображений для iWild 2020», Kaggle , март 2020 г. [Онлайн]. Доступно: https://www.kaggle.com/seriousran/image-pre-processing-for-iwild-2020. [По состоянию на 15 апреля 2020 г.].

[4] «Гистограммы — 2: Выравнивание гистограммы», Open Source Computer Vision , декабрь 2015 г. [Онлайн]. Доступно: https://docs.opencv.org/master/d5/daf/tutorial_py_histogram_equalization.HTML. [По состоянию на 15 апреля 2020 г.].

[5] Д. Моррис, Д. Херену и С. Ян, «Обзор камер-ловушек», Microsoft , март 2019 г. [В сети]. Доступно: https://github.com/microsoft/CameraTraps/commits/master/README.md. [По состоянию на 16 апреля 2020 г. ].

[6] К. Хе, С. Рен, Дж. Сун и С. Чжан, «Глубокое остаточное обучение для распознавания изображений», arXiv , декабрь 2015 г. [Онлайн]. Доступно: https://arxiv.org/abs/1512.03385. [По состоянию на 25 апреля 2020 г.].

[7] П. Двиведи, «Понимание и кодирование ResNet в Керасе», по направлению к науке о данных , январь 2019 г.[Онлайн]. Доступно: https://towardsdatascience.com/understanding-and-coding-a-resnet-in-keras-446d7ff84d33. [По состоянию на 25 апреля 2020 г.].

[8] К. Фотаче, «Как обучить классификатор изображений в PyTorch и использовать его для выполнения базового вывода на отдельных изображениях», к науке о данных , ноябрь 2018 г. [Онлайн]. Доступно: https://towardsdatascience.com/how-to-train-an-image-classifier-in-pytorch-and-use-it-to-perform-basic-inference-on-single-images-99465a1e9bf5. [По состоянию на 20 апреля 2020 г.].

No related posts.