Rapid literature mapping on the recent use of machine learning for wildlife imagery

1. Machine (especially deep) learning algorithms are changing the way wildlife imagery is processed. They dramatically speed up the time to detect, count, classify animals and their behaviours. Yet, we currently have a very few systematic literature surveys on its use in wildlife imagery.

2. Through a literature survey (a ‘rapid’ review) and bibliometric mapping, we explored its use across: 1) species (vertebrates), 2) image types (e.g., camera traps, or drones), 3) study locations, 4) alternative machine learning algorithms, 5) outcomes (e.g., recognition, classification, or tracking), 6) reporting quality and openness, 7) author affiliation, and 8) publication journal types. 

3. We found that increasing number of studies used convolutional neural networks (i.e., deep learning). Typically, studies have focused on large charismatic or iconic mammalian species . Increasing number of studies is published in ecology-specific journals indicating the uptake of deep learning to transform detection, classification and tracking of wildlife. Sharing of code was limited, with only 20% of studies providing links to analysis code. 

4. Much of the published research and focus on animals came from India, China, Australia, or the USA. There were relatively few collaborations across countries. Given the power of machine learning, we recommend increasing collaboration and sharing approaches to utilise increasing amounts of wildlife imagery more rapidly and transform and improve understanding of wildlife behaviour and conservation.

5. Our survey augmented with bibliometric analyses provide valuable signposts for future studies to resolve and address shortcomings, gaps, and biases. 

 

 

Conservation biology, field biology, big data, research weaving, drone imagery, systematic maps, evidence synthesis, deep learning

This is an automatically generated version. The authors and PCI decline all responsibility concerning its content

رسم خرائط سريعة للأدبيات حول الاستخدام الأخير للتعلم الآلي لصور الحياة البرية

1. تعمل خوارزميات التعلم الآلي (خاصة العميقة) على تغيير طريقة معالجة صور الحياة البرية. إنها تعمل على تسريع الوقت بشكل كبير لاكتشاف الحيوانات وسلوكياتها وإحصائها وتصنيفها. ومع ذلك، لدينا حاليًا عدد قليل جدًا من الدراسات الاستقصائية المنهجية حول استخدامها في صور الحياة البرية. 2. من خلال مسح الأدبيات (مراجعة "سريعة") ورسم الخرائط الببليومترية، اكتشفنا استخدامها عبر: 1) الأنواع (الفقاريات)، 2) أنواع الصور (على سبيل المثال، مصائد الكاميرا، أو الطائرات بدون طيار)، 3) مواقع الدراسة، 4 ) خوارزميات التعلم الآلي البديلة، 5) النتائج (على سبيل المثال، الاعتراف أو التصنيف أو التتبع)، 6) جودة التقارير والانفتاح، 7) انتماء المؤلف، و 8) أنواع مجلات النشر. 3. وجدنا أن عدداً متزايداً من الدراسات تستخدم الشبكات العصبية التلافيفية (أي التعلم العميق). عادة، ركزت الدراسات على أنواع الثدييات الكبيرة الكاريزمية أو المميزة. يتم نشر عدد متزايد من الدراسات في المجلات المتخصصة في مجال البيئة، مما يشير إلى استيعاب التعلم العميق لتحويل اكتشاف الحياة البرية وتصنيفها وتتبعها. وكانت مشاركة التعليمات البرمجية محدودة، حيث قدمت 20% فقط من الدراسات روابط لشفرة التحليل. 4. الكثير من الأبحاث المنشورة والتركيز على الحيوانات جاءت من الهند أو الصين أو أستراليا أو الولايات المتحدة الأمريكية. وكان هناك عدد قليل نسبيا من عمليات التعاون بين البلدان. نظرًا لقوة التعلم الآلي، نوصي بزيادة أساليب التعاون والمشاركة للاستفادة من كميات متزايدة من صور الحياة البرية بشكل أسرع وتحويل وتحسين فهم سلوك الحياة البرية والحفاظ عليها. 5. يوفر مسحنا المعزز بالتحليلات الببليومترية معالم قيمة للدراسات المستقبلية لحل ومعالجة أوجه القصور والفجوات والتحيزات. بيولوجيا الحفظ، البيولوجيا الميدانية، البيانات الضخمة، نسج الأبحاث، صور الطائرات بدون طيار، الخرائط المنهجية، تجميع الأدلة، التعلم العميق

This is an automatically generated version. The authors and PCI decline all responsibility concerning its content

Mapeo rápido de literatura sobre el uso reciente del aprendizaje automático para imágenes de vida silvestre

1. Los algoritmos de aprendizaje automático (especialmente profundo) están cambiando la forma en que se procesan las imágenes de vida silvestre. Aceleran drásticamente el tiempo para detectar, contar, clasificar animales y sus comportamientos. Sin embargo, actualmente contamos con muy pocos estudios bibliográficos sistemáticos sobre su uso en imágenes de vida silvestre.

2. A través de un estudio de la literatura (una revisión "rápida") y un mapeo bibliométrico, exploramos su uso en: 1) especies (vertebrados), 2) tipos de imágenes (por ejemplo, cámaras trampa o drones), 3) lugares de estudio, 4) alternativas. algoritmos de aprendizaje automático, 5) resultados (p. ej., reconocimiento, clasificación o seguimiento), 6) calidad y apertura de los informes, 7) afiliación de los autores y 8) tipos de revistas de publicación.

3. Descubrimos que un número cada vez mayor de estudios utilizaban redes neuronales convolucionales (es decir, aprendizaje profundo). Normalmente, los estudios se han centrado en grandes especies de mamíferos carismáticas o icónicas. Se publica un número cada vez mayor de estudios en revistas específicas de ecología que indican la adopción del aprendizaje profundo para transformar la detección, clasificación y seguimiento de la vida silvestre. El intercambio de código fue limitado y solo el 20 % de los estudios proporcionaron enlaces al código de análisis.

4. Gran parte de las investigaciones publicadas y centradas en animales procedieron de India, China, Australia o Estados Unidos. Hubo relativamente pocas colaboraciones entre países. Dado el poder del aprendizaje automático, recomendamos aumentar la colaboración y compartir enfoques para utilizar cantidades cada vez mayores de imágenes de vida silvestre más rápidamente y transformar y mejorar la comprensión del comportamiento y la conservación de la vida silvestre.

5. Nuestra encuesta, ampliada con análisis bibliométricos, proporciona señales valiosas para que estudios futuros resuelvan y aborden deficiencias, lagunas y sesgos.

Biología de la conservación, biología de campo, big data, tejido de investigación, imágenes de drones, mapas sistemáticos, síntesis de evidencia, aprendizaje profundo

This is an automatically generated version. The authors and PCI decline all responsibility concerning its content

Cartographie rapide de la littérature sur l'utilisation récente de l'apprentissage automatique pour l'imagerie de la faune

1. Les algorithmes d’apprentissage automatique (en particulier profond) modifient la manière dont les images de la faune sont traitées. Ils accélèrent considérablement le temps nécessaire pour détecter, compter, classer les animaux et leurs comportements. Pourtant, nous disposons actuellement de très peu d'études systématiques de la littérature sur son utilisation dans l'imagerie de la faune.

2. Grâce à une étude de la littérature (une revue « rapide ») et une cartographie bibliométrique, nous avons exploré son utilisation pour : 1) les espèces (vertébrés), 2) les types d'images (par exemple, pièges photographiques ou drones), 3) les lieux d'étude, 4) les alternatives. algorithmes d'apprentissage automatique, 5) résultats (par exemple, reconnaissance, classification ou suivi), 6) qualité et ouverture des rapports, 7) affiliation de l'auteur et 8) types de revues de publication.

3. Nous avons constaté qu'un nombre croissant d'études utilisaient des réseaux de neurones convolutifs (c'est-à-dire l'apprentissage en profondeur). En règle générale, les études se sont concentrées sur les grandes espèces de mammifères charismatiques ou emblématiques. Un nombre croissant d’études sont publiées dans des revues spécialisées en écologie, indiquant l’adoption de l’apprentissage profond pour transformer la détection, la classification et le suivi de la faune. Le partage de code était limité, avec seulement 20 % des études fournissant des liens vers le code d'analyse.

4. Une grande partie des recherches publiées et axées sur les animaux proviennent d’Inde, de Chine, d’Australie ou des États-Unis. Il y a eu relativement peu de collaborations entre les pays. Compte tenu de la puissance de l'apprentissage automatique, nous recommandons d'accroître les approches de collaboration et de partage pour utiliser plus rapidement des quantités croissantes d'images de la faune et transformer et améliorer la compréhension du comportement et de la conservation de la faune.

5. Notre enquête, complétée par des analyses bibliométriques, fournit des indications précieuses pour les études futures visant à résoudre et à remédier aux lacunes, aux lacunes et aux biais.

 

 

Biologie de la conservation, biologie de terrain, big data, tissage de recherches, imagerie par drone, cartes systématiques, synthèse de preuves, apprentissage profond

This is an automatically generated version. The authors and PCI decline all responsibility concerning its content

वन्यजीव चित्रण के लिए मशीन लर्निंग के हालिया उपयोग पर त्वरित साहित्य मानचित्रण

1. मशीन (विशेष रूप से गहन) शिक्षण एल्गोरिदम वन्यजीव इमेजरी को संसाधित करने के तरीके को बदल रहे हैं। वे जानवरों और उनके व्यवहारों का पता लगाने, गिनने, वर्गीकृत करने के समय में नाटकीय रूप से तेजी लाते हैं। फिर भी, वर्तमान में हमारे पास वन्यजीव कल्पना में इसके उपयोग पर बहुत कम व्यवस्थित साहित्य सर्वेक्षण हैं।

2. एक साहित्य सर्वेक्षण (एक 'रैपिड' समीक्षा) और बिब्लियोमेट्रिक मैपिंग के माध्यम से, हमने इसके उपयोग का पता लगाया: 1) प्रजातियाँ (कशेरुकी), 2) छवि प्रकार (जैसे, कैमरा ट्रैप, या ड्रोन), 3) अध्ययन स्थान, 4) वैकल्पिक मशीन लर्निंग एल्गोरिदम, 5) परिणाम (जैसे, मान्यता, वर्गीकरण, या ट्रैकिंग), 6) रिपोर्टिंग गुणवत्ता और खुलापन, 7) लेखक संबद्धता, और 8) प्रकाशन जर्नल प्रकार। 

3. हमने पाया कि अध्ययनों की बढ़ती संख्या में कन्वेन्शनल न्यूरल नेटवर्क (यानी, गहन शिक्षण) का उपयोग किया जाता है। आमतौर पर, अध्ययनों ने बड़ी करिश्माई या प्रतिष्ठित स्तनधारी प्रजातियों पर ध्यान केंद्रित किया है। पारिस्थितिकी-विशिष्ट पत्रिकाओं में अध्ययनों की बढ़ती संख्या प्रकाशित हो रही है जो वन्यजीवों की पहचान, वर्गीकरण और ट्रैकिंग को बदलने के लिए गहन शिक्षा को अपनाने का संकेत देती है। कोड साझा करना सीमित था, केवल 20% अध्ययन विश्लेषण कोड के लिंक प्रदान करते थे। 

4. जानवरों पर अधिकांश प्रकाशित शोध और फोकस भारत, चीन, ऑस्ट्रेलिया या संयुक्त राज्य अमेरिका से आया है। विभिन्न देशों में अपेक्षाकृत कम सहयोग थे। मशीन लर्निंग की शक्ति को देखते हुए, हम वन्यजीव चित्रण की बढ़ती मात्रा का अधिक तेजी से उपयोग करने और वन्यजीव व्यवहार और संरक्षण की समझ को बदलने और बेहतर बनाने के लिए सहयोग बढ़ाने और दृष्टिकोण साझा करने की सलाह देते हैं।

5. ग्रंथ सूची विश्लेषण के साथ संवर्धित हमारा सर्वेक्षण कमियों, अंतरालों और पूर्वाग्रहों को हल करने और संबोधित करने के लिए भविष्य के अध्ययनों के लिए मूल्यवान संकेत प्रदान करता है। 

 

 

संरक्षण जीव विज्ञान, क्षेत्र जीव विज्ञान, बड़ा डेटा, अनुसंधान बुनाई, ड्रोन इमेजरी, व्यवस्थित मानचित्र, साक्ष्य संश्लेषण, गहन शिक्षण

This is an automatically generated version. The authors and PCI decline all responsibility concerning its content

野生生物の画像に対する機械学習の最近の使用に関する迅速な文献マッピング

1.機械 (特にディープ) 学習アルゴリズムは、野生動物の画像の処理方法を変えています。これらにより、動物とその行動の検出、計数、分類にかかる時間が大幅に短縮されます。しかし、現時点では、野生動物の画像での使用に関する体系的な文献調査はほとんどありません。

2.文献調査 (「迅速な」レビュー) と書誌的マッピングを通じて、1) 種 (脊椎動物)、2) 画像の種類 (カメラ トラップやドローンなど)、3) 調査場所、4) 代替手段にわたってその使用法を調査しました。機械学習アルゴリズム、5) 結果（認識、分類、追跡など）、6) レポートの品質と公開性、7) 著者の所属、8) 出版ジャーナルの種類。

3.畳み込みニューラル ネットワーク (つまり、深層学習) を使用する研究の数が増加していることがわかりました。通常、研究は大型のカリスマ的または象徴的な哺乳類種に焦点を当ててきました。野生生物の検出、分類、追跡を変革するためのディープラーニングの導入を示す研究が生態学専門のジャーナルに掲載されるケースが増えています。コードの共有は限られており、分析コードへのリンクを提供している研究は 20% のみでした。

4.発表された研究や動物に焦点を当てた研究の多くは、インド、中国、オーストラリア、米国からのものです。国をまたいだコラボレーションは比較的少数でした。機械学習の力を考慮して、増え続ける野生動物の画像をより迅速に活用し、野生動物の行動と保護に対する理解を変革および向上させるために、コラボレーションとアプローチの共有を強化することをお勧めします。

5.書誌学的分析で強化された調査は、欠点、ギャップ、偏見を解決して対処するための今後の研究への貴重な道しるべとなります。

 

 

保全生物学、フィールド生物学、ビッグデータ、リサーチウィービング、ドローン画像、体系的地図、証拠統合、ディープラーニング

This is an automatically generated version. The authors and PCI decline all responsibility concerning its content

Mapeamento rápido da literatura sobre o uso recente de aprendizado de máquina para imagens da vida selvagem

1. Algoritmos de aprendizado de máquina (especialmente profundo) estão mudando a forma como as imagens da vida selvagem são processadas. Eles aceleram drasticamente o tempo para detectar, contar e classificar os animais e seus comportamentos. No entanto, atualmente temos muito poucos estudos sistemáticos de literatura sobre a sua utilização em imagens da vida selvagem.

2. Através de um levantamento bibliográfico (uma revisão 'rápida') e mapeamento bibliométrico, exploramos seu uso em: 1) espécies (vertebrados), 2) tipos de imagens (por exemplo, armadilhas fotográficas ou drones), 3) locais de estudo, 4) alternativas algoritmos de aprendizado de máquina, 5) resultados (por exemplo, reconhecimento, classificação ou rastreamento), 6) qualidade e abertura dos relatórios, 7) afiliação do autor e 8) tipos de periódicos de publicação.

3. Descobrimos que um número crescente de estudos utilizou redes neurais convolucionais (ou seja, aprendizagem profunda). Normalmente, os estudos têm-se centrado em grandes espécies de mamíferos carismáticos ou icónicos. Um número crescente de estudos é publicado em revistas específicas de ecologia, indicando a adoção da aprendizagem profunda para transformar a detecção, classificação e rastreamento da vida selvagem. O compartilhamento de código foi limitado, com apenas 20% dos estudos fornecendo links para código de análise.

4. Grande parte da pesquisa publicada e do foco em animais veio da Índia, China, Austrália ou EUA. Houve relativamente poucas colaborações entre países. Dado o poder do aprendizado de máquina, recomendamos aumentar a colaboração e as abordagens de compartilhamento para utilizar quantidades cada vez maiores de imagens da vida selvagem mais rapidamente e transformar e melhorar a compreensão do comportamento e da conservação da vida selvagem.

5. Nossa pesquisa, complementada com análises bibliométricas, fornece indicações valiosas para estudos futuros resolverem e abordarem deficiências, lacunas e preconceitos.

 

 

Biologia da conservação, biologia de campo, big data, tecelagem de pesquisa, imagens de drones, mapas sistemáticos, síntese de evidências, aprendizagem profunda

This is an automatically generated version. The authors and PCI decline all responsibility concerning its content

Быстрое картирование литературы о недавнем использовании машинного обучения для изображений дикой природы

1. Алгоритмы машинного (особенно глубокого) обучения меняют способ обработки изображений дикой природы. Они значительно ускоряют время обнаружения, подсчета, классификации животных и их поведения. Тем не менее, в настоящее время у нас есть очень мало систематических литературных обзоров по его использованию в изображениях дикой природы. 2. С помощью обзора литературы («быстрый» обзор) и библиометрического картирования мы изучили его использование в: 1) видах (позвоночных животных), 2) типах изображений (например, фотоловушки или дроны), 3) местах исследования, 4 ) альтернативные алгоритмы машинного обучения, 5) результаты (например, распознавание, классификация или отслеживание), 6) качество и открытость отчетности, 7) принадлежность авторов и 8) типы публикаций в журналах. 3. Мы обнаружили, что во всё большем количестве исследований используются свёрточные нейронные сети (т.е. глубокое обучение). Обычно исследования фокусируются на крупных харизматических или знаковых видах млекопитающих. В журналах, посвященных экологии, публикуется все больше исследований, указывающих на использование глубокого обучения для преобразования обнаружения, классификации и отслеживания диких животных. Совместное использование кода было ограниченным: только в 20% исследований были ссылки на код анализа. 4. Большая часть опубликованных исследований, посвященных животным, пришла из Индии, Китая, Австралии и США. Между странами было относительно мало сотрудничества. Учитывая мощь машинного обучения, мы рекомендуем расширять сотрудничество и обмениваться подходами, чтобы быстрее использовать растущее количество изображений дикой природы, а также преобразовывать и улучшать понимание поведения и охраны дикой природы. 5. Наше исследование, дополненное библиометрическим анализом, дает ценные ориентиры для будущих исследований, направленных на устранение и устранение недостатков, пробелов и систематических ошибок. Природоохранная биология, полевая биология, большие данные, исследования, снимки дронов, систематические карты, синтез фактических данных, глубокое обучение

This is an automatically generated version. The authors and PCI decline all responsibility concerning its content

关于最近将机器学习用于野生动物图像的快速文献映射

1.机器（尤其是深度）学习算法正在改变野生动物图像的处理方式。它们极大地加快了动物及其行为的检测、计数、分类的时间。然而，我们目前关于其在野生动物图像中的应用的系统文献调查很少。

2.通过文献调查（“快速”审查）和文献计量图，我们探索了其在以下领域的用途：1）物种（脊椎动物），2）图像类型（例如，相机陷阱或无人机），3）研究地点，4）替代机器学习算法，5) 结果（例如识别、分类或跟踪），6) 报告质量和开放性，7) 作者隶属关系，以及 8) 出版期刊类型。

3.我们发现越来越多的研究使用卷积神经网络（即深度学习）。通常，研究集中在大型有魅力或标志性的哺乳动物物种上。越来越多的研究发表在生态学特定期刊上，表明深度学习正在改变野生动物的检测、分类和跟踪。代码共享有限，只有 20% 的研究提供了分析代码的链接。

4.许多已发表的关于动物的研究和关注来自印度、中国、澳大利亚或美国。各国之间的合作相对较少。鉴于机器学习的力量，我们建议加强协作和共享方法，以更快地利用越来越多的野生动物图像，并转变和提高对野生动物行为和保护的理解。

5.我们的调查通过文献计量分析进行了增强，为未来的研究提供了宝贵的路标，以解决和解决缺点、差距和偏见。

 

 

保护生物学、野外生物学、大数据、研究编织、无人机图像、系统地图、证据合成、深度学习