文献

J-GLOBAL ID：201902236803626745   整理番号：19A2291437

深層学習(Deep Learning)によるカメラトラップ画像の判別

Recognition of wildlife using deep learning in images taken by camera traps

著者 (9件)： 安藤正規 (岐阜大学応用生物科学部生産環境科学課程) ,  中塚俊介 (岐阜大学大学院自然科学技術研究科知能理工学専攻) ,  相澤宏旭 (岐阜大学大学院工学研究科電子情報システム工学専攻) ,  中森さつき (岐阜大学大学院自然科学技術研究科生物生産環境科学専攻) ,  池田敬 (岐阜大学応用生物科学部附属野生動物管理学研究センター) ,  森部絢嗣 (岐阜大学応用生物科学部生産環境科学課程) ,  森部絢嗣 (岐阜大学応用生物科学部附属野生動物管理学研究センター) ,  寺田和憲 (岐阜大学工学部電気電子・情報工学科) ,  加藤邦人 (岐阜大学工学部電気電子・情報工学科)
資料名： 哺乳類科学  (ほ乳類科学)
巻： 59  号： 1  ページ： 49-60(J-STAGE)  発行年： 2019年 
JST資料番号： Y0375A  ISSN： 0385-437X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 近年,日本国内では,野生動物と人間との軋轢が非常に大きな社会問題となるなか,野生動物の保護管理にむけた取り組みの一環として,野生動物の生息状況や加害状況のモニタリングが行われており,近年ではカメラトラップによる調査も採用されている.しかし,カメラトラップでの撮影枚数の増加により,調査者の目視による画像判別の作業量がカメラトラップの画像取得量に追いつかなくなることが新たな問題となっている.本研究では調査者の目視による画像判別の作業量を削減することを目的とし,深層学習(Deep Learning)による画像判別の技術を用いて,カメラトラップ画像を判別するモデルの構築を試みた.カメラトラップ画像について,動物の在不在の認識,種判別および頭数推定を同時に行うモデルとして,ResNet50をベースとした深層畳み込みニューラルネットワーク(DCNN)モデルを構築した.岐阜大学位山演習林で得られた10万枚以上のカメラトラップ画像を用いて,モデルの学習・検証により判別器(学習済みモデル)を構築し,その精度について評価した.本研究では特にニホンジカ(Cervus nippon),イノシシ(Sus scrofa),カモシカ(Capricornis crispus)およびツキノワグマ(Ursus thibetanus)の4種について,判別器の評価を行った.本研究で構築された判別器は,評価用画像セットの判別において,在の画像の検出率99%を保持しながら,不在の画像の過検出率を15.7%に抑えることができた.ここで判別器が在と判別した画像のみを調査者が目視で確認することを前提とした場合,調査者が目視で確認すべき画像枚数は全体の43.3%まで削減できることが示された.また,DCNNモデルにより動物が写っていると判別された画像のうち,24.3%が動物不在の画像であった.種判別において,判別器による出力が最大となった動物種の正答割合は,ニホンジカ79.6%,イノシシ76.4%,カモシカ82.1%およびツキノワグマ76.6%であった.頭数推定では,真値においてそれぞれの動物種が在である画像に対してDCNNモデルが頭数を正答する割合は,ニホンジカ91.9%,イノシシ84.4%,カモシカ91.6%,およびツキノワグマ86.4%であった.以上の結果から,深層学習による画像判別の技術は,カメラトラップ画像からの動物の在不在,種判別および頭数推定において調査者の労力を削減する有用なツールとなりうることが示された.(著者抄録)

シソーラス用語： *自動監視 ,  機械学習 ,  *野生動物 ,  生物分類 ,  同定 ,  ニューラルネットワーク ,  岐阜県 ,  調査 ,  画像認識 ,  *画像分析 ,  学習モデル ,  ニホンジカ ,  イノシシ ,  ニホンカモシカ ,  クマ科 ,  性能評価
準シソーラス用語： Cervus nippon ,  Sus scrofa ,  Ursus thibetanus ,  *カメラトラップ ,  ツキノワグマ ,  種判別 ,  畳込みニューラルネットワーク ,  深層学習 ,  野外調査

著者キーワード (10件)： deep learning ,  deep convolutional neural network ,  animal recognition ,  camera trap ,  wildlife monitoring ,  deep learning ,  deep convolutional neural network ,  animal recognition ,  camera trap ,  wildlife monitoring

分類 (3件)： 動物生態学一般  (EE03010W) ,  図形・画像処理一般  (JE04010I) ,  人工知能  (JE08000Z)

引用文献 (24件)：

• Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., Devin, M., Ghemawat, S., Irving, G., Isard, M., Kudlur, M., Levenberg, J., Monga, R., Moore, S., Murray, D. G., Steiner, B., Tucker, P., Vasudevan, V., Warden, P., Wicke, M., Yu, Y. and Zheng, X. 2016. TensorFlow: A System for Large-Scale Machine Learning. The Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16), pp. 265-283.
• 明石信廣・藤田真人・渡辺 修・宇野裕之・荻原 裕.2013.簡易なチェックシートによるエゾシカの天然林への影響評価.日本森林学会誌 95: 259-266.
• 浅田正彦・長田 穣・深澤圭太・落合啓二.2014.状態空間モデルを用いた階層ベイズ推定法によるキョン(Muntiacus reevesi)の個体数推定.哺乳類科学 54: 53-72.
• Beery, S., Van Horn, G. and Perona, P. 2018. Recognition in Terra Incognita. arXiv preprint arXiv:1807.04975.
• Burghardt, T., Thomas, B., Barham, P. J. and Calic, J. 2004. Automated visual recognition of individual African penguins. Fifth International Penguin Conference, Ushuaia, Tierra del Fuego, Argentina, 10 pp.

タイトルに関連する用語 (3件)： 深層学習 ,  カメラトラップ ,  判別