AI优化技术提升野生动物图像识别准确率

野生动物研究人员训练AI提升物种识别能力

由某机构科学家领导的研究团队改进了人工智能识别运动触发相机拍摄的野生动物物种的能力。这项研究采用"少即是多"的数据训练方法，为更准确且更具成本效益的野生动物图像分析开辟了新途径。

运动触发相机是重要的野生动物监测工具，但手动审查数千张图像耗时巨大，而现有AI模型有时因准确率不足难以满足科研需求。

"应用AI进行野生动物研究的最大问题之一，是模型在新地点进行图像分类时准确率有限。"研究合著者解释道，"我们的方法不仅提高了新地点和非新地点的识别准确率，还使模型在不同地域保持更稳定的性能。"

关键技术突破

该研究以大角羊为例，发现了以下技术优化路径：

1. 将AI模型训练限定于单一物种而非所有物种
2. 包含项目特定环境下拍摄的各种背景图像
3. 当图像包含足够背景变化时，模型对新地点大角羊的识别准确率接近训练地点水平

"通过精简目标同时确保训练数据多样性，我们仅用1万张训练图像就实现了近90%的识别准确率，远低于同类AI模型所需数据量。"研究负责人表示，"更少的图像意味着模型需要更少的计算资源和能源消耗，这对我们研究的野生动物更为有利。"

技术应用前景

该方法已发表于《生态信息学》期刊，其AI训练原理具有广泛适用性。研究人员正在探索：

• 创建水禽特征序列识别的AI程序套件
• 实现杂交物种的精准识别
• 开发更节能的生态监测解决方案

该研究获得了某国家机构通过某区域生态研究单位的支持，多家科研机构共同参与。完整研究成果详见《通过物种和环境特异性训练提升野生动物监测中的AI表现：以大角羊为例》。