Near Infrared Imaging and Image Pre-Processing to Improve the Automatic Detection of Canada Geese
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Migratory shorebirds populations are adversely affected by climate change and loss of habitat thus careful monitoring of their populations is important for early detection of population loss. Current counting methods generally rely on intrusive and time-consuming manual identification. This work is part of a larger project to develop automated classification and counting methods using a remotely piloted aircraft system (RPAS). In addition to the use of RPAS, this work will also investigate if near-infrared (NIR) imaging captured by the RPAS yields detection improvements. Healthy vegetation reflects NIR wavelengths of light which can potentially create a greater contrast between an object and the surrounding vegetation. Preprocessing NIR raw images to enhance the contrast between vegetation and Canada geese (Branta canadensis) to improve object detection using the convolutional neural network (CNN) YOLOv4-Tiny have been investigated in this study. Training was done on a small dataset (423 and 1,269 images), a large dataset (2,000 images), artificially generated dataset (2,000 images) and hybrid datasets consisting of real and artificially generated images of Canada geese (4,000 and 5,000 images). A RPAS was used to obtain greyscale and NIR test images of geese decoys using the RPAS onboard camera and a NIR specific camera at varying altitudes. The NIR preprocessed ground test images showed detection improvements in both number of detections and confidence score percentages when validated against the YOLOv4-Tiny detector that was trained on an augmented dataset and the hybrid datasets. However, the greyscale aerial test images generally outperformed the NIR pre-processed images.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle