野生动物研究人员训练AI提升物种识别能力
某机构的科学家改进了人工智能在运动触发相机拍摄的野生动物照片中识别物种的能力。这项研究采用"少即是多"的数据训练方法，为野生动物图像分析开辟了更准确且更具成本效益的新途径。
技术挑战与突破
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模型在准确性方面往往无法满足科研需求。
研究共同作者指出：“在野生动物研究中使用AI的最大问题在于，当模型用于分类新地点（模型从未’见过’的地点）的图像时，准确性有限。我们采用的方法不仅提高了新地点和非新地点的准确性，还使模型在不同地点都保持了更稳定的准确度。”
创新训练方法
研究团队发现，最佳识别结果来自于将AI模型训练限制在单一物种（而非所有物种），并包含在特定项目环境范围内拍摄的图像。当图像包含足够的背景变化时，该模型能够以与训练地点相似的准确度识别区域新地点的物种。
“通过缩小目标同时确保训练数据的多样性，我们仅用1万张训练图像就实现了近90%的识别准确率，这远低于同类性能AI模型所需的数据量。更少的图像意味着模型需要更少的计算能力和能源，这对我们研究的野生动物都是有益的。”
技术应用前景
该研究以大角羊为例物种，但论文中描述的AI训练方法具有广泛适用性。研究人员正在探索如何策划训练数据集，以便用更少的数据更快地提高AI准确性。
这项技术突破为野生动物监测提供了新的可能性：减少训练数据需求、降低计算资源消耗，同时保持高识别准确率。该方法特别适合在资源有限的环境中进行野生动物保护和生态研究。
研究详情发表于《生态信息学》期刊，相关技术方案已在实际野生动物监测项目中得到验证。