南昌大学研发的人工智能技术在野生动物信息采集中的运用

关注我们，为您推送更多最新研究。

文章导读

由于人工智能技术 (Artificial Intelligence, AI) 能够对数据进行智能化处理，使得“AI+模式”的研究变得十分热门，如“AI+医疗诊断”、“AI+风能预测”、“AI+智慧城市”等研究都对人们的生产和生活方式产生了重要影响。基于此，来自南昌大学信息工程学院的余礼苏博士及其团队成员在Electronics 期刊发表文章，设计了一种基于深度可分离卷积的轻量级目标检测网络，为野生动物信息采集问题提供了一种新的解决思路 (图1)，很好地解决了传统红外触发相机存在的能耗高和数据采集混乱等问题。围绕“AI+”创新人才培养模式，本论文是南昌大学信息工程学院本科生国际化培养的重要成果。论文第一作者为南昌大学本科生曹清华，联合沙特阿拉伯苏丹王子大学的学者共同完成了本项研究。

图1. 系统结构图。

研究过程与结果

野生动物信息采集对于动物监测和生态环境保护具有重要意义，传统的信息采集主要以无线传感器网络 (Wireless Sensor Network, WSN) 技术为主要手段，研究人员的焦点集中在传感器部署位置或传感器发送、接受功率的优化，以便于更可能多的获得有用信息。但是野外环境具有复杂性的特点，传统的非智能方法不能很好地应对，而目标检测网络正是一种任务专一的智能型数据采集结构。然而，目标检测网络如基于Two-Stage的Fast RCNN、或One-Stage的YOLO系列算法都有海量的参数和较大的内存占用，这使得已有的目标检测网络无法很好地适用于野生动物信息采集所利用的分布式部署的嵌入式设备中。

作者设计了一种基于深度可分离卷积 (图3) 的轻量级目标监测网络。新的目标检测网络参数仅为标准卷积 (图2) 的1/8至1/9；同时在特征融合和强化部分，分别使用剪枝的SPP (Spatial Pyramid Pooling) 和FPN (Feature Pyramid Networks) 网络，在保证检测精度的同时进一步减少参数，加速模型推理时间。

图2. 标准卷积。

图3. 深度可分离卷积。

如图4所示，相比于 (a)、(b)、(c) 的特征图金字塔网络，(d) 通过对高维信息复用和融合旁路特征图，保留了低层和高层的特征信息，使得野外复杂场景下在严重遮挡和前后景相似的极端场景下依然有较好的检测精度。实验结果如图5所示。

图4. FPN结构。

图5. 实验结果图。

此外，作者针对能耗问题进行了分析，设计了一种“Sleep-Work-Sleep”的工作模式。即设备整体处于低功率的休眠状态，轮值“哨兵”传感器执行监测，在有目标出现时，发布作用于一定范围的唤醒指令，指示节点进入目标检测和信息采集状态。这一策略使得分布式部署的设备工作时间大幅度降低，提高了设备的能耗利用率，增大了有效信息采集的密度。

研究总结

在检测精度、模型推理时间和模型参数等指标的综合考虑下，传统的神经网络结构不能很好地适用野生动物信息采集的实际场景。针对该问题，本文设计了一种适用于野生动物信息采集的轻量级目标检测网络。通过融合算法，作者提出的目标检测网络降低了模型的复杂度，在保证检测精度的同时，减少了推理时间和参数量。本文还将软件定义网络 (Software-Defined Network, SDN) 引入到传统的信息采集中，并简要分析了SDN在降低能耗方面的优势。该网络将有效地避免冗余节点的能量消耗，实现一种自组织节点网络，进而实现降低能耗的目的。非常值得一提的是，本文提出的轻量化网络结构是面向野生动物信息采集这一实用化场景设计和优化的，为后续研究探索其他人工智能技术，如强化学习与嵌入式设备的结合，提供了一种全新的研究思路，以实现在特定场景下更智能更高效的信息采集。

文章链接：https://www.mdpi.com/1248736