Comparison of a Computer Vision Model to a Human Observer in Detecting African Mammals in Camera Trap Images within a Safari Park
Notice bibliographique
Résumé
Remote monitoring technologies are increasingly utilized in animal research for their capacity to enhance data collection efficiency. However, they present challenges, and as such researchers have resorted to utilizing deep learning to automatically classify acquired data therefore expediting the review process. While this practice is common in field studies it has been less adopted in zoo monitoring. In this paper we deploy the YOLOv10x model to monitor four species at Knowsley Safari in the UK: African lions ( Panthera leo ), Southern white rhino ( Ceratotherium simum simum ), Grevy’s zebra ( Equus grevyi ) and Olive baboons ( Papio anubis ). Camera trap images were processed and classified using the Conservation AI desktop application. The raw images were saved to facilitate the comparative analysis of the models’ predictions against the findings of human observed images. Processing time for both methods was compared using a subset of 3015 images with Conservation AI, reducing the time required to classify the images by 82% compared to a human analyst. Confusion matrix results showed high accuracy rates for all four species (>0.90). Analysis of count data showed significant differences in three species, where the human observer recorded more observations of each than Conservation AI (lion, rhino, baboon p<0.005). However, no significant difference was seen in zebra (p>0.05). A strong positive correlation in count data between both methodologies was seen in all species; baboon (rho=0.955, p<0.005), lion (rho = 0.969, p<0.005), rhino (rho=0.887, p<0.005) and zebra (rho=0.843, p<0.005). This study highlights the potential for these technologies as a monitoring system in zoos.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».