牛津大学 同质区域的原始图像与美国有线电视新闻网检测(绿色方框)和地面真实标签(红色方框)进行比较
世界观-3卫星图像信用:迈索尔科技 牛津大学野生动物保护研究小组和机器学习研究小组的研究人员使用目前最高分辨率的卫星图像——世界观3——从Maxar Technologies和深度学习(TensorFlow API，Google Brain)中探测到了来自太空的大象，其精确度与人类的探测能力相当
大海捞针是一项挑战，但从太空中数大象听起来像科幻小说，但这正是由野生动物园的艾岛·杜普乔领导的团队所取得的成就
由于偷猎、掠夺庄稼的报复性杀戮和栖息地的破坏，上个世纪非洲象的数量急剧下降
保护它们需要知道它们在哪里，有多少:精确的监控是至关重要的
现有的方法容易出错
不准确的统计会导致稀缺保护资源的错误分配和对人口趋势的误解
目前，对热带草原环境中大象数量最常用的调查技术是从有人驾驶的飞机上进行空中计数
进行航空勘测的观测者可能会精疲力尽，受到能见度低的阻碍，或者屈从于偏见，并且航空勘测可能成本高昂且具有后勤挑战性
牛津大学的一个团队(野生动物园:动物学系和机器学习研究小组:工程系)与Dr
巴斯大学奥尔加·伊斯波娃博士
特温特大学的王铁军着手解决这些问题
使用卫星图像遥感大象和通过深度学习自动检测提供了一种新的方法来调查大象，也解决了各种现有的挑战
卫星可以在几分钟内一次收集超过5000公里的图像，消除了重复计算的风险
短时间内重复调查也是可能的
卫星监测是一种不引人注目的技术，不需要地面存在，因此消除了干扰物种的风险，或在数据收集过程中对人类安全的担忧
以前无法进入的地区变得可以进入，跨界地区——通常对保护规划至关重要——可以进行调查，而不需要耗费时间的地面许可
使用卫星监测的挑战之一是处理生成的大量图像
然而，自动化检测意味着一个原本需要几个月的过程可以在几个小时内完成
此外，机器更不容易出错，深度学习算法中的假阴性和假阳性是一致的，并且可以通过系统地改进模型来纠正——人类的情况并非如此
为了开发这种新方法，该团队在南非创建了一个1000多头大象的定制训练数据集，将其输入卷积神经网络(CNN)，并将结果与人类的表现进行比较
事实证明，在卫星图像中可以探测到大象，其精确度与人类的探测能力相当
CNN模型的结果(称为F2分数)为0
异质区域78，0
73，相比之下，平均人类检测能力F2得分为0
异质区域77，0
同质地区80人
该模型甚至可以在远离训练数据站点的地方检测到大象，显示了该模型的普遍性
只在成年人身上训练过机器后，它就能识别小牛了
研究人员认为，这证明了技术为保护服务的力量:卫星遥感和深度学习技术为保护这些雄伟的哺乳动物提供了希望
保护技术开启了一个充满可能性的新世界，被第六次大规模灭绝和全球生物多样性困境所带来的紧迫感所拥抱
这篇论文“使用非常高分辨率的卫星图像和深度学习来探测和计数异质景观中的非洲象”，发表在《生态与保护遥感》上
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
