20.500.12556/RUL-177572 Samodejno prepoznavanje prostoživečih živalskih vrst na posnetkih fotopasti Automatic recognition of wildlife species in camera trap images V nalogi smo proučevali problem samodejnega prepoznavanja prostoživečih živalskih vrst. Za opazovanje živali se pogosto uporabljajo fotopasti, saj so cenovno ugodne in niso invazivne. Kot rezultat proizvedejo velike količine slik, ki zahtevajo označevanje. Ročno označevanje zahteva veliko časa in denarja, zato smo problem rešili z uporabo šibko nadzorovanega učenja. Pri tem smo imeli na voljo zbirko slik, kjer je vsaka slika označena z eno živalsko vrsto. Zaradi vse večje dostopnosti označenih zbirk slik iz drugih domen smo se osredotočili na rešitve, ki uporabljajo znanje predhodno naučenih modelov. Ovrednotili smo delovanje treh šibko nadzorovanih modelov, ki na različne načine uporabljajo znanje predhodno naučenega modela. Predlagali smo nadgradnjo modela WS-DETR, kjer zamenjamo osnovno arhitekturo modela za RT-DETR in uporabimo kompleksnejši MIL klasifikator. Predlagana nadgradnja izboljša mAP izvornega modela WS-DETR za 0,16 in dosega boljše rezultate od drugih dveh šibko nadzorovanih modelov. Na koncu smo modele primerjali z obstoječo rešitvijo DeepFaune in ocenil, ali so primerni za implementacijo v realnem okolju. Model DeepFaune napoveduje boljše od naših rešitev, vendar zaradi nizkega priklica ni primeren za popolno avtomatizacijo. In this work, we studied the problem of automatic recognition of wildlife species. Camera traps are often used for observing animals, as they are affordable and non-invasive. As a result, they produce large amounts of images that need to be labeled. Manual labeling requires a lot of time and money, so we addressed this problem using weakly supervised learning. For this purpose, we used a dataset of images, each annotated with a single animal species. Due to increasing availability of high-quality labeled image datasets from other domains, we focused on solutions that utilize the knowledge of pre-trained models. We evaluated the performance of three weakly supervised models that use the knowledge of a pre-trained model in different ways. We proposed an improvement to the WS-DETR model, in which we replaced the base architecture with RT-DETR and used a more complex multiple instance larning classifier. The proposed upgrade improved the mAP of the original WS-DETR model by 0,16 and achieved better results than the other two weakly supervised models. Finally, we compared the models with the existing DeepFaune solution and evaluated whether they are suitable for practical implementation. The DeepFaune model performs better than our solutions, however due to its low recall, it is also not suitable for complete automation. šibko nadzorovano učenje zaznavanje objektov prepoznavanje živalskih vrst PyTorch weakly supervised learning object detection wildlife recognition deep learning PyTorch true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2025-12-24 10:40:02 2025-12-24 10:40:10 2026-01-02 03:56:04 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 37853 263056643 Vatovec_Matej_-_Samodejno_prepoznavanje_prostozivecih_zivalskih_vrst_na_posnetkih_fotopasti.pdf Vatovec_Matej_-_Samodejno_prepoznavanje_prostozivecih_zivalskih_vrst_na_posnetkih_fotopasti.pdf 1 392BB734484BD2AD4A60D361979B869A 5162dceda9ddfc3f072ba8ebc6ceef035af23a9a88f9f7481e786a87d3f57737 1615caf4-e0ac-11f0-9328-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=224655 Fakulteta za računalništvo in informatiko 0 0 0