A comparison of manual and automated detection of rusa deer (Rusa timorensis) from RPAS-derived thermal imagery
Notice bibliographique
Résumé
Abstract Context Monitoring is an essential part of managing invasive species; however, accurate, cost-effective detection techniques are necessary for it to be routinely undertaken. Current detection techniques for invasive deer are time consuming, expensive and have associated biases, which may be overcome by exploiting new technologies. Aims We assessed the accuracy and cost effectiveness of automated detection methods in comparison to manual detection of thermal footage of deer captured by remotely piloted aircraft systems. Methods Thermal footage captured by RPAS was assessed using an algorithm combining two object-detection techniques, namely, YOLO and Faster-RCNN. The number of deer found using manual review on each sampling day was compared with the number of deer found on each day using machine learning. Detection rates were compared across survey areas and sampling occasions. Key results Overall, there was no difference in the mean number of deer detected using manual and that detected by automated review (P = 0.057). The automated-detection algorithm identified between 66.7% and 100% of deer detected using manual review of thermal imagery on all but one of the sampling days. There was no difference in the mean proportion of deer detected using either manual or automated review at three repeated sampling events (P = 0.174). However, identifying deer using the automated review algorithm was 84% cheaper than the cost of manual review. Low cloud cover appeared to affect detectability using the automated review algorithm. Conclusions Automated methods provide a fast and effective way to detect deer. For maximum effectiveness, imagery that encompasses a range of environments should be used as part of the training dataset, as well as large groups for herding species. Adequate sensing conditions are essential to gain accurate counts of deer by automated detection. Implications Machine learning in combination with RPAS may decrease the cost and improve the detection and monitoring of invasive species.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».