概述
性能取决于物种、传感器、栖息地和训练数据；输出结果旨在辅助实地审查，而非提供通用的监测。
深入探讨
Snapshot Serengeti 研究对 320 万张涵盖 48 个物种的图像使用了深度卷积神经网络（CNN）。当目标项目标签较少但有相关的已标注数据可用时，迁移学习可以提供帮助。其他独立研究评估了伯利兹森林中的 CNN 枪声检测、斑纹动物重新识别以及温暖天气下白尾鹿的夜间热成像无人机调查。PAWS 将历史巡逻/偷猎数据与博弈论规划（包括混合策略）相结合。这些发现仅限于所引用的数据集、地点和方法。
现实世界的实施
Wildlife Insights 为红外触发相机拍摄的照片提供 AI 辅助的物种识别和空白图像预测。
一项伯利兹的实地研究测试了卷积神经网络（CNN）对热带森林音频中枪声的检测能力。
斑纹动物重新识别研究通过匹配数据集中的条纹或斑点等可见特征来进行个体识别。
PAWS 利用历史巡逻和偷猎数据，在不确定性下计算混合策略路线。
人工智能在野生动物保护领域的未来
使用留出的地点、物种和季节来评估保护系统。记录误报和不确定性，并让受过培训的实地工作人员参与解读警报。在没有确凿证据的情况下，不要仅凭单一模型输出推断个体身份或非法活动。
付诸实践
为什么这很重要
- 背景与规则. 行业背景决定了人工智能创意能否与现实接触。
- 质量控制. 领域约束会影响可接受的错误率和监督模型。
- 构建选择. 成功的部署使技术能力与一线工作流程保持一致。
留意
- 监管要求可能会使原本强大的原型失效。
- 历史数据可能会编码损害特定社区的偏见。
- 遗留系统可能会造成集成瓶颈和隐性成本。
后续步骤
- 让领域专家参与从问题框架到评估的整个过程。
- 在启动前设计审计跟踪和文档。
- 尽早验证合规性和安全义务。
- 分阶段推出，并具有明确的停止和回滚标准。
不断探索
常见问题
什么是 AI 在野生动物保护中的应用？
野生动物保护 AI 的示例包括红外触发相机图像分类、声学事件检测和博弈论巡逻规划。性能取决于物种、传感器、栖息地和训练数据；输出结果旨在辅助实地审查，而非提供通用的监测。
Wildlife Insights 记录的 AI 辅助功能如何处理红外触发相机拍摄的照片？
Wildlife Insights 记录了 AI 辅助的物种识别和针对空白红外触发相机图像的预测；性能取决于数据，且不能保证在所有环境下都有效。
所引用的热带森林研究训练 CNN 检测什么声音事件？
该研究训练 CNN 检测伯利兹热带森林声学记录中的枪声；它并未确立对电锯的检测能力或通用的实地性能。
在所引用的动物重新识别论文中，哪些视觉线索有助于区分有斑纹的个体？
该论文研究了使用条纹和斑点等斑纹特征进行重新识别；该方法取决于物种和可用的图像。
在对偷猎者行为存在不确定性的情况下，PAWS 计算出什么类型的巡逻策略？
PAWS 在不确定性下使用博弈论巡逻规划；随机化的混合策略使巡逻模式更具不可预测性，但不能保证防止非法活动。
为什么所引用的红外触发相机研究使用迁移学习进行物种识别？
所引用的研究解释说，当目标项目标注样本较少但有相关的大规模标注数据可用时，迁移学习非常有用。