生态学家经常通过部署相机陷阱来研究野生动物种群。使用这种方法生成大型数据集，研究团队很难手动评估。研究人员越来越多地招募公众志愿者作为公民科学家来帮助对摄像头图像进行分类。然而，越来越多的相机陷阱研究使得找到足够的志愿者来及时处理所有项目变得更加困难。机器学习（尤其是深度学习）的进步可以实现准确的自动图像干扰器分类。
通过使用由公民科学家分类的现有监控图像数据集来训练模型，并随后将此类模型应用于新研究，可以大大减少人类的工作量。本研究的目标是（i）评估深度学习在相机陷阱数据分类方面的准确性，（ii）研究如何处理仅包含少量通常难以建模的分类图像的数据集，以及（iii）应用经过训练的模型实时在线公民科学项目的屏蔽器模型。 2.使用卷积神经网络（CNN）来区分不同动物物种的图像、人类或车辆的图像以及空图像（没有动物、车辆或人类）。我们使用了四个不同的相机陷阱数据集，其中包含各种物种、不同的栖息地和不同数量的图像屏蔽器。所有数据集均由 Zooniverse 上的公民科学家标记。
跨项目识别监控摄像头空图像的准确率在91.2%到98.0%之间，而识别特定物种的准确率在88.7%到92.7%之间。随着训练数据集大小的减小，从在大型数据集上训练的 CNN 传输信息（“传输﹍收益”）变得越来越有益，并且准确率提高了 10.3%。消除低置信度预测将模型的准确性提高到公民科学家的水平。通过将经过训练的模型与公民科学家的分类相结合，人类工作量减少了 43%，同时保持了 Zooniverse 上运行的实时实验的整体准确性。生态研究人员可以通过将公民科学家和 CNN 结合起来，显着减少图像干扰屏蔽器分类时间和人工工作量，从而更快地处理来自大型相机陷阱研究的数据。本文受版权保护。版权所有。
