生態(tài)問(wèn)題刻不容緩的今天，有效的生態(tài)系統(tǒng)監(jiān)測(cè)能夠幫助研究人員更好地提出環(huán)境保護(hù)措施。靜態(tài)捕捉相機(jī)就是放置在野外環(huán)境中的最具代表性的一種監(jiān)測(cè)傳感器。然而，對(duì)于廣泛應(yīng)用的靜態(tài)相機(jī)來(lái)說(shuō)，自動(dòng)地分析處理還面臨著一系列的挑戰(zhàn)。

由于靜態(tài)相機(jī)的拍攝場(chǎng)景固定，拍攝圖像中的背景異常重復(fù)，因此沒(méi)有足夠充分的數(shù)據(jù)多樣性，機(jī)器學(xué)習(xí)模型將傾向于學(xué)習(xí)背景，使其在新場(chǎng)景下缺乏足夠的泛化性。為了解決這一問(wèn)題，來(lái)自谷歌的研究人員提出了一種基于時(shí)域上下文的互補(bǔ)方法Context R－CNN，提升了目標(biāo)檢測(cè)模型在全新相機(jī)設(shè)置場(chǎng)景下的泛化性。

有效的生態(tài)系統(tǒng)監(jiān)測(cè)將幫助研究人員更好的理解全球生態(tài)系統(tǒng)的動(dòng)力學(xué)行為、物種多樣性、量化人類(lèi)活動(dòng)和氣候變化的影響，并提出有效的保護(hù)措施。為了獲取高質(zhì)量的數(shù)據(jù)提高監(jiān)測(cè)效率，生態(tài)學(xué)家耗費(fèi)了大量的努力在野外環(huán)境中放置檢測(cè)傳感器，而靜態(tài)捕捉相機(jī)就是其中最具代表性的一種。

隨著傳感器監(jiān)測(cè)網(wǎng)絡(luò)的逐漸發(fā)展壯大，對(duì)于全球范圍內(nèi)生物多樣性數(shù)據(jù)的手工分析變成了全球?qū)崟r(shí)生態(tài)精確監(jiān)測(cè)的瓶頸所在。雖然有多種基于機(jī)器學(xué)習(xí)的自動(dòng)化分析方法，但對(duì)于廣泛應(yīng)用的靜態(tài)相機(jī)來(lái)說(shuō)，自動(dòng)地分析處理還面臨著一系列的挑戰(zhàn)，包括功耗和存儲(chǔ)限制、采樣率較低、運(yùn)動(dòng)觸發(fā)造成的非規(guī)則拍攝結(jié)果等。

為了有效處理野外靜態(tài)相機(jī)的拍攝結(jié)果，計(jì)算機(jī)視覺(jué)模型必須對(duì)各種情形下的目標(biāo)具有足夠的魯棒性，包括偏離中心、離焦、低光照、尺度變化劇烈等等。此外靜態(tài)相機(jī)最大的不同在于它的拍攝場(chǎng)景固定，這會(huì)使拍攝圖像中的背景異常重復(fù)。沒(méi)有足夠充分的數(shù)據(jù)多樣性，機(jī)器學(xué)習(xí)模型將傾向于學(xué)習(xí)背景，使其在新場(chǎng)景下缺乏足夠的泛化性。

機(jī)器學(xué)習(xí)和生態(tài)學(xué)界的研究人員已經(jīng)攜手完成了像LILA BC 和 Wildlife Insights 等大規(guī)模的專(zhuān)家標(biāo)注數(shù)據(jù)集，這些數(shù)據(jù)來(lái)自于多個(gè)研究團(tuán)隊(duì)在不同場(chǎng)景下的相機(jī)拍攝結(jié)果以提升數(shù)據(jù)的多樣性。但數(shù)據(jù)的積攢需要大量人力物力并且進(jìn)展緩慢，同時(shí)在顧及多樣性、世界范圍內(nèi)代表性數(shù)據(jù)和物種分類(lèi)的要求下變得異常繁雜。

這張清晨濃霧中的野外圖像幾乎什么都看不清，為自動(dòng)分析帶來(lái)了十分巨大的挑戰(zhàn)。

為了解決這一問(wèn)題，來(lái)自谷歌的研究人員提出了一種基于時(shí)域上下文的互補(bǔ)方法Context R－CNN，提升了目標(biāo)檢測(cè)模型在全新相機(jī)設(shè)置場(chǎng)景下的泛化性。新型的目標(biāo)檢測(cè)架構(gòu)通過(guò)提取每個(gè)相機(jī)在時(shí)間維度上的上下文線(xiàn)索來(lái)改善新場(chǎng)景下的目標(biāo)識(shí)別效果，而無(wú)需額外的來(lái)自多個(gè)相機(jī)的訓(xùn)練數(shù)據(jù)。在面對(duì)復(fù)雜圖像時(shí)，上下文R－CNN方法可以從同一相機(jī)從長(zhǎng)達(dá)一個(gè)月的上下文信息中回溯出最為相關(guān)的目標(biāo)并幫助算法進(jìn)行識(shí)別。