Embebido de procesamiento de imágenes adaptativo para hacer más robustas las tareas ecológicas del aprendizaje profundo en imágenes de trampas fotográficas

Las trampas fotográficas sirven como una herramienta valiosa para el monitoreo de la vida silvestre, generando una vasta colección de imágenes para que los ecologistas realicen investigaciones ecológicas, como la identificación de especies y la estimación de poblaciones. Sin embargo, el gran volumen de imágenes plantea un desafío, y la integración del aprendizaje profundo en tareas de investigación ecológica automatizadas sigue siendo compleja, particularmente al tratar con imágenes de baja calidad en programas de monitoreo a largo plazo. Los enfoques existentes a menudo luchan por encontrar un equilibrio entre la mejora de imágenes y el aprendizaje profundo para tareas ecológicas, pasando por alto así información crucial contenida dentro de imágenes de baja calidad. Esta investigación introduce un módulo pionero de procesamiento de imágenes adaptativo (AIP) que incorpora sin problemas el procesamiento de imágenes en tareas ecológicas de trampas fotográficas, elevando el rendimiento de las actividades de monitoreo de vida silvestre. Específicamente, se presenta un módulo de procesamiento de imágenes diferenciable (DIP) para mejorar imágenes de baja calidad, cujos parámetros son predichos por un predictor de parámetros basado en métodos no locales (NLPP). Además, se propone un enfoque de extremo a extremo basado en datos híbridos que contienen tanto datos originales como sintéticos, abarcando métodos de procesamiento de imágenes adaptativos y tareas posteriores para trampas fotográficas, adaptables a varios escenarios. Este enfoque reduce eficazmente la mano de obra manual y el tiempo requeridos para el procesamiento profesional de imágenes. Al aplicarse a imágenes de trampas fotográficas del mundo real y conjuntos de datos de imágenes sintéticas, nuestro método logra una precisión del 92.26% y del 86.65% en la clasificación de vida silvestre, respectivamente, demostrando su robustez. Al superar a métodos alternativos en condiciones adversas, la aplicación del módulo de procesamiento de imágenes adaptativo infunde una mayor confianza en las aplicaciones de aprendizaje profundo dentro de entornos complejos.