Detecção de cervos-do-pantanal em imagens aéreas com um modelo de aprendizado profundo de máquina

Abstract

Modelos de detecção de objeto têm evoluído muito e se mostrado uma ferramenta interessante para aumentar a eficiência na amostragem de animais silvestres. Neste trabalho, treinamos um modelo do tipo YOLOv8 usando um conjunto de imagens rotuladas de cervos-do-pantanal na região do Pantanal (MT), registradas em 2017 e 2018, e avaliamos sua performance em um novo conjunto de imagens coletadas em 2022. Embora o modelo demonstre uma alta capacidade de detecção de verdadeiros positivos, o elevado número de falsos positivos indica a necessidade de mais desenvolvimento para alcançar um desempenho ideal. Apesar disso, o algoritmo desenvolvido pode ser útil para protocolos de revisão semiautomática, potencialmente reduzindo o esforço necessário para o processamento das imagens. Direções futuras de pesquisa podem incluir a exploração de novas técnicas de aumento de dados, ajuste de hiperparâmetros ou a incorporação de arquiteturas de modelos alternativos. Essas abordagens podem ajudar a enfrentar melhor os desafios apresentados pelo plano de fundo complexo onde os indivíduos aparecem e a melhorar a capacidade do modelo em distinguir cervos de outros objetos de confundimento, como vacas, cavalos, troncos de árvore e vegetação seca.

Object detection models have evolved a lot and have proven to be an interesting tool for increasing efficiency in wildlife sampling. In this work, we trained a YOLOv8-type model using a set of labeled images of marsh deer in the Pantanal region (MT), recorded in 2017 and 2018, and evaluated its performance on a new set of images collected in 2022. Although the model shows a high capacity for detecting true positives, the high number of false positives indicates the need for further development to achieve optimal performance. Despite this, the algorithm developed could be useful for semi-automated review protocols, potentially reducing the effort required to process the images. Future research directions may include exploring new data augmentation techniques, adjusting hyperparameters or incorporating alternative model architectures. These approaches may help to better address the challenges presented by the complex background in which individuals appear and improve the model's ability to distinguish deer from other confounding objects such as cows, horses, tree trunks and dry vegetation.