生態(tài)問題刻不容緩的今天，有效的生態(tài)系統(tǒng)監(jiān)測能夠幫助研究人員更好地提出環(huán)境保護措施。靜態(tài)捕捉相機就是放置在野外環(huán)境中的最具代表性的一種監(jiān)測傳感器。然而，對于廣泛應用的靜態(tài)相機來說，自動地分析處理還面臨著一系列的挑戰(zhàn)。

由于靜態(tài)相機的拍攝場景固定，拍攝圖像中的背景異常重復，因此沒有足夠充分的數(shù)據(jù)多樣性，機器學習模型將傾向于學習背景，使其在新場景下缺乏足夠的泛化性。為了解決這一問題，來自谷歌的研究人員提出了一種基于時域上下文的互補方法Context R－CNN，提升了目標檢測模型在全新相機設置場景下的泛化性。

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

隨著傳感器監(jiān)測網(wǎng)絡的逐漸發(fā)展壯大，對于全球范圍內(nèi)生物多樣性數(shù)據(jù)的手工分析變成了全球?qū)崟r生態(tài)精確監(jiān)測的瓶頸所在。雖然有多種基于機器學習的自動化分析方法，但對于廣泛應用的靜態(tài)相機來說，自動地分析處理還面臨著一系列的挑戰(zhàn)，包括功耗和存儲限制、采樣率較低、運動觸發(fā)造成的非規(guī)則拍攝結果等。

為了有效處理野外靜態(tài)相機的拍攝結果，計算機視覺模型必須對各種情形下的目標具有足夠的魯棒性，包括偏離中心、離焦、低光照、尺度變化劇烈等等。此外靜態(tài)相機最大的不同在于它的拍攝場景固定，這會使拍攝圖像中的背景異常重復。沒有足夠充分的數(shù)據(jù)多樣性，機器學習模型將傾向于學習背景，使其在新場景下缺乏足夠的泛化性。

機器學習和生態(tài)學界的研究人員已經(jīng)攜手完成了像LILA BC 和 Wildlife Insights 等大規(guī)模的專家標注數(shù)據(jù)集，這些數(shù)據(jù)來自于多個研究團隊在不同場景下的相機拍攝結果以提升數(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展緩慢，同時在顧及多樣性、世界范圍內(nèi)代表性數(shù)據(jù)和物種分類的要求下變得異常繁雜。

為了解決這一問題，來自谷歌的研究人員提出了一種基于時域上下文的互補方法Context R－CNN，提升了目標檢測模型在全新相機設置場景下的泛化性。新型的目標檢測架構通過提取每個相機在時間維度上的上下文線索來改善新場景下的目標識別效果，而無需額外的來自多個相機的訓練數(shù)據(jù)。在面對復雜圖像時，上下文R－CNN方法可以從同一相機從長達一個月的上下文信息中回溯出最為相關的目標并幫助算法進行識別。

這種方法超過了僅僅使用單幀圖像的FasterR－CNN方法，在多個生態(tài)環(huán)境圖像檢測領域內(nèi)都具有明顯的優(yōu)勢。研究人員已將模型整合到TF Object Detection API中，為相關研究人員提供更為簡化的訓練和部署。

上下文信息（長達一個月）是如何幫助專家確定模糊場景中的動物的。上下文中目標形狀、尺寸、每天固定的食草時間幫助算法確定這是角馬。

上下文R－CNN模型

上下文R－CNN主要利用靜態(tài)相機拍攝圖像序列間的高度相關性，在無需額外人工標注數(shù)據(jù)的情況下提升算法在復雜情況下的性能，同時改善在新的相機設置下的泛化性。與Faster R－CNN類似，它也采用了兩階段目標檢測架構。

顯示了上下文R－CNN的頂層架構，顯示了檢測模型與長期上下文信息如何有效系統(tǒng)提升性能。

為了抽取某一相機的上下文信息，研究人員首先利用參數(shù)固定的特征抽取器從較大的時間跨度中構建出上下文存儲空間（下圖中M）；隨后每幅圖像在對應上下文信息聚合的幫助下，上下文R－CNN將會更好地在復雜情況下對目標進行檢測（包括低光、濃霧、模糊等場景）。這種聚合利用attention方式實現(xiàn)，它對靜態(tài)相機中出現(xiàn)的稀疏和非規(guī)則采樣具有較好的魯棒性。

第一階段的Faster R－CNN將提出潛在目標，而第二階段將對每個候選目標進行分類。在Context R－CNN中針對第一階段的候選目標，使用基于相似性的注意力機制來確定當前目標與記憶池中特征的相關性。隨后利用相關性權重加權記憶池中的特征來構建針對這一目標的上下文特征，并將其添加到原始的目標特征后，送入第二階段的Faster R－CNN中進行最終的分類。

Context R－CNN將近一個月的上下文信息用于幫助分類當前目標。綠色數(shù)字顯示了每個記憶特征與當前目標的注意力相關性權重。

實驗結果

研究人員在多樣性區(qū)域的動物捕獲相機數(shù)據(jù)集Snapshot Serengeti （SS） 和 Caltech Camera Traps （CCT）上測試了Context R－CNN的性能。

與左側 Faster R－CNN 相比， Context R－CNN 可以在更為困難環(huán)境中捕捉到被樹枝遮擋的大象、低光照下的羚羊和位于圖像邊緣的猴子。

下表顯示了模型的提升，在SS和CCT上mAP分別實現(xiàn)了47．5％和34．3％的相對提升。同時研究人員發(fā)現(xiàn)隨著時間上下文信息跨度的增加，模型的性能有著正相關的提升。

與單幀F(xiàn)aster R－CNN相比 本文方法的mAP和AR值都有了明顯地提升。

目前研究人員正在努力將Context R－CNN應用到Wildlife Insights監(jiān)測平臺中去，基于野外相機網(wǎng)絡實現(xiàn)便捷的大規(guī)模、全球生態(tài)系統(tǒng)監(jiān)測。z
? ? ? ?責任編輯:pj