- Код статьи
- S30345456S0044513425030095-1
- DOI
- 10.7868/S3034545625030095
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том 104 / Номер выпуска 3
- Страницы
- 112-122
- Аннотация
- Представлена система распознавания и подсчета на фотоснимках, сделанных с легкого самолета, двух арктических видов животных: дикого северного оленя (Rangifer tarandus (Linnaeus, 1758)) и черной казарки (Branta bernicla (Linnaeus, 1758)). Распознающая система AutoGenNet построена на базе сверточной нейронной сети (СНС) архитектуры Mask R-CNN с применением концепции AutoML (Automated Machine Learning). В системе задействовано трансферное обучение, суть которого состоит в том, что на первом этапе система обучается распознавать разнообразные объекты с использованием стандартного массива снимков (около 328 тыс. изображений), затем дообучается на снимках целевых объектов. Такой подход позволяет уменьшить количество снимков целевых объектов с нескольких сотен тысяч при одноэтапном обучении до нескольких сотен при двухэтапном обучении. Синтез модели CНС на основе размеченных снимков в системе AutoGenNet выполняется автоматически. Для разметки изображений животных на фотоснимках и подготовки обучающей выборки разработана специальная программа Markup. Первый этап обучения системы выполняется один раз специалистами по СНС и глубокому обучению. Второй этап обучения может выполняться многократно с целью дообучения системы, допустившей ошибки при распознавании объектов. Работу на этом этапе могут выполнять пользователи системы, не имеющие специального образования в области обучения СНС. Возможны два варианта работы с системой – автономный режим при наличии необходимых вычислительных ресурсов или работа по сети Интернет с AutoGetNet, размещенной на серверах СПб ФИЦ РАН. Представленная в статье модель СНС была обучена на 100 снимках стад диких северных оленей. Ошибка распознавания оленей на независимом массиве данных составила около 18%. Для распознавания черных казарок использовалось 260 снимков стай птиц в разных средах – на суше, на воде и в воздухе. Ошибка распознавания составила около 32%. Система AutoGenNet является унифицированной в отношении объектов распознавания и может, без каких-либо изменений в программе, быть обучена распознавать другие виды животных, при условии их различимости на фотоснимках.
- Ключевые слова
- система распознавания сверточные нейронные сети трансферное обучение северный олень черная казарка
- Дата публикации
- 10.12.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 6
Библиография
- 1. Бондарь М.Г., Колпащиков Л.А., 2018. Оценка численности и летнего размещения таймырской популяции диких северных оленей в 2017 году // Научные труды Федерального государственного бюджетного учреждения “Объединенная дирекция заповедников Таймыра”. Норильск: Апекс. С. 27–45.
- 2. Вайсман А.Л., Переладова О.Б. (под ред.), 2022. Материалы к формированию стратегии сохранения дикого северного оленя в Арктической зоне Российской Федерации. М.: Всемирный фонд дикой природы. 153 с.
- 3. Гаврило М.В., 2023. Организация мониторинга орнитофауны в системе мониторинга окружающей среды в акватории Северного морского пути. Тезисы второго онлайн-семинара “Актуальные вопросы изучения арктических и субарктических экосистем в условиях глобальных изменений природной среды и климата”. Салехард.
- 4. Зырянов В.А., Павлов Б.М., Якушкин Г.Д., 1971. Экологические основы учета численности промысловых животных в тундровой зоне Таймыра // Проблемы охотничьего хозяйства Красноярского края. Красноярск. С. 70–72.
- 5. Колпащиков Л.А., Кокорев Я.И., Якушкин Г.Д., Колесников А.Л., Шапкин А.М., Васильев И.А., Шилин Б.В., Михайлов В.В., 2008. Временные методические рекомендации по авиаучету численности диких северных оленей на Таймыре с использованием тепловизора и цифровой аэрофотосъемочной аппаратуры. Норильск. С. 21.
- 6. Колпащиков Л.А., Павлов Б.М., Михайлов В.В., 1999. Методика авиаучета и определения норм опромышления таймырской популяции диких северных оленей: Методические рекомендации. СПб. 25 с.
- 7. Розенфельд С.Б., Соловьев М.У., Китаев Г.В., Рогова Н.В., Иванов М.Н., 2017. Оценка пространственного и биотопического распространения гусиных птиц в Ямало-Ненецком и Ханты-Мансийском округах (опыт применения сверхлегкой авиации) // Зоологический журнал. Т. 96. № 2. С. 201–221.
- 8. Сыроечковский Е.Е., 2011. Черная казарка. Полевой определитель гусиных птиц России. Editorial. С. 80–84.
- 9. Челинцев Н.Г., 2000. Математические основы учета животных. М. 431 с.
- 10. Якушкин Г.Д., Колпащиков Л.А., Кокорев Я.И., 2001. Размещение и численность таймырской популяции диких северных оленей в 2000 г. Научное обеспечение рационального природопользования Енисейского Севера. Сб. научных трудов. Сиб. отд-ние Россельхозакадемии. НИИСХ Крайнего Севера. Новосибирск. С. 32–37.
- 11. Chen W., Guan Z., Gao D., 2024. Att-Mask R-CNN: an individual tree crown instance segmentation method based on fused attention mechanism // Canadian Journal of Forest Research. V. 54, issue 7. P. 825–838.
- 12. He K., Gkioxari G., Dollar P., Girshick R., 2017. Mask R-CNN. Computer Vision and Patter Recognition. Cornell University. 154 p.
- 13. Hou T., Li J., 2024. Application of mask R-CNN for building detection in UAV remote sensing images // Heliyon. V. 10, issue 19, article № e38141.
- 14. Open Data Science, 2020. Kaggle: kak nashi setochki schitali morskih l′vov na Aleutskih ostrovah (Open Data Science. Kaggle: how our nets counted sea leons on Aleution Islands). [Электронный ресурс]. Available at: https://habr.com/ru/company/ods/blog/337548/ (accessed 20 November 2020) (In Russian).
