生態(tài)問題刻不容緩的今天，有效的生態(tài)系統(tǒng)監(jiān)測能夠幫助研究人員更好地提出環(huán)境保護(hù)措施。靜態(tài)捕捉相機(jī)就是放置在野外環(huán)境中的最具代表性的一種監(jiān)測傳感器。然而，對于廣泛應(yīng)用的靜態(tài)相機(jī)來說，自動地分析處理還面臨著一系列的挑戰(zhàn)。

由于靜態(tài)相機(jī)的拍攝場景固定，拍攝圖像中的背景異常重復(fù)，因此沒有足夠充分的數(shù)據(jù)多樣性，機(jī)器學(xué)習(xí)模型將傾向于學(xué)習(xí)背景，使其在新場景下缺乏足夠的泛化性。為了解決這一問題，來自谷歌的研究人員提出了一種基于時域上下文的互補(bǔ)方法Context R－CNN，提升了目標(biāo)檢測模型在全新相機(jī)設(shè)置場景下的泛化性。

有效的生態(tài)系統(tǒng)監(jiān)測將幫助研究人員更好的理解全球生態(tài)系統(tǒng)的動力學(xué)行為、物種多樣性、量化人類活動和氣候變化的影響，并提出有效的保護(hù)措施。為了獲取高質(zhì)量的數(shù)據(jù)提高監(jiān)測效率，生態(tài)學(xué)家耗費了大量的努力在野外環(huán)境中放置檢測傳感器，而靜態(tài)捕捉相機(jī)就是其中最具代表性的一種。

隨著傳感器監(jiān)測網(wǎng)絡(luò)的逐漸發(fā)展壯大，對于全球范圍內(nèi)生物多樣性數(shù)據(jù)的手工分析變成了全球?qū)崟r生態(tài)精確監(jiān)測的瓶頸所在。雖然有多種基于機(jī)器學(xué)習(xí)的自動化分析方法，但對于廣泛應(yīng)用的靜態(tài)相機(jī)來說，自動地分析處理還面臨著一系列的挑戰(zhàn)，包括功耗和存儲限制、采樣率較低、運動觸發(fā)造成的非規(guī)則拍攝結(jié)果等。

為了有效處理野外靜態(tài)相機(jī)的拍攝結(jié)果，計算機(jī)視覺模型必須對各種情形下的目標(biāo)具有足夠的魯棒性，包括偏離中心、離焦、低光照、尺度變化劇烈等等。此外靜態(tài)相機(jī)最大的不同在于它的拍攝場景固定，這會使拍攝圖像中的背景異常重復(fù)。沒有足夠充分的數(shù)據(jù)多樣性，機(jī)器學(xué)習(xí)模型將傾向于學(xué)習(xí)背景，使其在新場景下缺乏足夠的泛化性。

機(jī)器學(xué)習(xí)和生態(tài)學(xué)界的研究人員已經(jīng)攜手完成了像LILA BC 和 Wildlife Insights 等大規(guī)模的專家標(biāo)注數(shù)據(jù)集，這些數(shù)據(jù)來自于多個研究團(tuán)隊在不同場景下的相機(jī)拍攝結(jié)果以提升數(shù)據(jù)的多樣性。但數(shù)據(jù)的積攢需要大量人力物力并且進(jìn)展緩慢，同時在顧及多樣性、世界范圍內(nèi)代表性數(shù)據(jù)和物種分類的要求下變得異常繁雜。

這張清晨濃霧中的野外圖像幾乎什么都看不清，為自動分析帶來了十分巨大的挑戰(zhàn)。

為了解決這一問題，來自谷歌的研究人員提出了一種基于時域上下文的互補(bǔ)方法Context R－CNN，提升了目標(biāo)檢測模型在全新相機(jī)設(shè)置場景下的泛化性。新型的目標(biāo)檢測架構(gòu)通過提取每個相機(jī)在時間維度上的上下文線索來改善新場景下的目標(biāo)識別效果，而無需額外的來自多個相機(jī)的訓(xùn)練數(shù)據(jù)。在面對復(fù)雜圖像時，上下文R－CNN方法可以從同一相機(jī)從長達(dá)一個月的上下文信息中回溯出最為相關(guān)的目標(biāo)并幫助算法進(jìn)行識別。