野生动物是人类赖以生存的生态系统的重要组成部分，但受盗猎、气候变化和栖息地损失、生态退化等影响数量大大减少。保护、发展和合理利用野生动物资源，对于维护生态平衡，改善自然环境，促进社会经济持续、稳定发展意义重大。长期以来野生动物数据主要靠地面方式获取，近年来无人机的应用在一定程度上提高了野生动物数据获取的便捷性，但人工目视解译从无人机影像中提取动物信息效率低、成本高，亟待发展精确可靠的动物自动识别算法。 

　　与地面拍摄的图像相比，无人机影像中动物目标的像素个数少，而且自然条件下，野生动物分布稀疏，95%以上的影像中没有动物，采用通用的目标识别算法识别精度低。为了提高目标识别的效果，研究人员通过缩减特征跨度（feature stride），优化锚尺度（anchor size）和引入难负样本类（hard negative class）等措施，对Faster R-CNN深度学习目标识别算法进行了改进。研究结果显示：缩减特征跨度和优化锚尺度能能有效提高小目标的识别效果，引入难负样本类能高效抑制错误预警结果的出现。该模型的精度明显优于现有的Faster R-CNN和RetinaNet，总体召回率95%时，识别精度（F1 score）由44%提高到86%。使用NVIDIA GeForce GTX 1080 Ti显卡每分钟可识别2张2000万像素的影像，每天可识别3300张图像。与原模型相比，利用识别模型筛选可能有动物的影像，能减少96%的人工纠错工作量。这一研究可显著减少人工解译的工作量，对开展大范围的动物调查有重要意义。 

　　研究成果发表在国际著名遥感期刊ISPRS Journal of Photogrammetry and Remote Sensing。本研究获得国家自然科学基金（41501416;41771388;41971359）、国家重点研发计划（2017YFB0503005;2017YFC0506500）等资助。 

　　论文信息：Jinbang Peng, DongliangWang*, Xiaohan Liao, Quanqin Shao, Zhigang Sun, Huanyin Yue, and Huping Ye. Wild animal survey using UAS imagery and deep learning: modified Faster R-CNN for kiang detection in Tibetan Plateau, ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 169: 364–376.  

　　此外，还在Remote Sensing上发表了综述论文，全面对比分析了基于无人机、有人机、卫星三种平台的动物调查方法的优劣势，列出了存在的挑战和机遇，指出多平台数据融合、自动识别算法、众源标注平台对构建长时间序列的动物数据至关重要。 

　　论文信息：Dongliang Wang#*, Quanqin Shao, Huanyin Yue. Surveying wild animals from satellites, manned aircraft and unmanned aerial systems (UASs): A review, Remote Sensing, 2019, 11(11), 1308.

无人机拍摄的藏野驴近景图像

藏野驴识别结果