摘要: 野生动物作为生态系统的重要组成部分，其动态监测对于维系生态平衡、理解物种间相互作用及评估生态系统健康状况具有至关重要的意义。野生动物监测主要通过无人机机载相机和固定的红外相机来捕捉动物的自然行为。然而，由于野生动物行为的不可预测性，在实际跟踪过程中，常会出现目标较小、多尺度变化以及动物身体被遮挡等问题。为了应对这些挑战，提出一种基于改进孪生网络的动物目标跟踪方法，将跟踪问题转化为相似性学习问题。在孪生关系网络（SiamRN）的特征提取阶段引入多头注意力机制，包括串联窗口自注意力运算和滑动窗口自注意力运算，增强模型对小目标的精准跟踪能力。同时，多头注意力机制的引入降低了网络的参数量和复杂度，提高了运算效率。在公开数据集和自制数据集上进行实验，结果表明本研究采用的野生动物跟踪方法的成功率和准确率分别为0.698和0.928，优于主流的孪生网络跟踪方法，该方法能够准确跟踪和定位野生动物目标，实现野生动物监测。

摘要: 野生鹿科（Cervidae）动物作为生态系统的组成部分，在维持生态平衡方面扮演着至关重要的角色。无人机影像技术在野生动物监测中的应用已日趋成熟，但受自然光照条件和野外环境复杂多变的影响，单一光谱成像技术很难得到高质量的野生鹿科动物图像。因此提出一种基于DenseFuse网络的图像融合算法，通过无人机搭载的多光谱成像设备，将红外图像与可见光图像融合，同时保留红外图像的轮廓信息和可见光图像的外貌信息，提高了监测图像质量。基于野生鹿科动物影像数据集，采用多种图像融合策略进行实验，对红外图像与可见光图像的融合效果展开细致对比。结果显示，通过使用l1-norm融合策略所获得的综合评价指标最优，经该策略融合后得到的图像平均信息熵达到了6.965。这一结果表明，本研究所提出的无人机多光源图像融合算法能够为野生动物监测工作提供可靠的技术支撑。

摘要: 野生动物自动识别是野生动物监测的重要手段。为解决现有识别方法高度依赖人工设计和专家经验，需要较高时间成本的问题，提出一种基于网络结构搜索的野生动物自动识别方法。首先，选择集单元堆叠的局部搜索模式、梯度优化的搜索策略以及权值共享的性能评估方法于一体的神经网络结构搜索算法，基于可微分搜索策略的野生动物识别模型自动生成机制，构建特征性搜索空间；随后，在可微分搜索策略基础上，为解决搜索后期模型性能坍塌以及搜索需要较高计算资源的问题，引入基于早停和部分通道采样的可微分搜索策略进一步提高模型搜索效率；最后，开展对比试验验证模型性能。结果表明：本研究方法生成的模型准确率在NACTI公共野生动物数据集上的平均准确率达到95.22%，均优于对比模型。与经典可微分网络结构搜索方法相比，平均准确率提升6.29个百分点，搜索耗时减少2.99 GPU/d。研究结果表明，本研究模型可以实现野生动物图像识别模型的自动化设计，能够进一步提高野生动物监测识别系统的自动化与智能化水平。

摘要: 红外相机是监测野生动物的常用方法，但存在数据量大、背景信息复杂等问题，导致监测数据标注和检测困难。针对以上问题提出一种基于伪标签和YOLOv4的野生动物检测方法。本方法首先基于运动检测的伪标签标定方法，通过背景差分法和形态学操作实现对视频数据集的自动快速标注，降低监测环境中复杂背景的不利影响；然后通过跨阶段局部卷积块，减少YOLOv4中路径聚合网络所需的计算量；最后在密集卷积区域引入Swish激活函数，提高模型在深层区域的特征提取能力，以浙江江山仙霞岭自然保护区的6种野生动物监测视频作为数据集进行实验。结果表明：本方法在平均精度均值和帧率指标上达到了86.41%和18.93帧/s，相比于YOLOv4、RFCN、YOLOv8x算法分别提高1.62、3.43、7.11个百分点，证明所提出算法可以有效克服现有方法标注和检测困难的问题，提升了野生动物监测数据检测平均精度均值和帧率，有助于野生动物监测数据分析的自动化和智能化。

摘要: 红外相机视频是野生动物调查的主流研究方法之一，但在林区受设备角度、复杂环境与野生动物活动的随机性影响，极易出现检测中光流捕捉错误或简单语义难以识别的情况。针对此类问题，提出一种基于多帧关系网络特征增强的视频目标检测方法（multi-relation video object detection,MR-VOD）。该算法在图像关系网络的基础上，综合考虑上下帧目标之间的关系，通过多阶段推理，实现对野生动物目标的准确检测。同时，以神农架林区野生动物红外相机视频为基础，构建相关野生动物视频目标检测数据样本集作为实验区。试验证明，改进后的算法检测性能有所提升，平均准确率达81.96%，比Faster R-CNN提高9.32个百分点，在川金丝猴（Rhinopithecus roxellana）的检测上提升30.79个百分点，并在多种复杂场景下测试表现良好，有效减少了错检漏检的情况。该算法的实现将为神农架野生动物智能监测云平台提供检测基础，同时为后续开展的野生动物保护、种群评估提供必要的技术支撑。