Published January 1, 2019
| Version v1
Publication
Open
High-Efficiency Progressive Transmission and Automatic Recognition of Wildlife Monitoring Images With WISNs
Description
Wireless image sensor networks (WISNs) are widely applied in wildlife monitoring, as they present a better performance in remote, real-time monitoring.However, traditional WISNs suffer from the limitations of low processing capability, power consumption restrictions and narrow transmission bandwidth.For the contradiction between the above limitations of WISNs and the wildlife monitoring images with high resolution and complex background, we propose a novel wildlife intelligent monitoring system.On the foundation of saliency object detection, the convolutional encoder-decoder network is utilized to realize the progressive compression transmission and restoration for wildlife monitoring images, which guarantees the transmission efficiency and quality of wildlife part.Moreover, to deal with the problems of high labor intensity, low efficiency and low recognition accuracy in classical manual sorting method, an improved Faster RCNN algorithm is proposed on the automatic recognition of wildlife images.The experimental results on our own wildlife dataset, show that the peak signal to noise ratio (PSNR) and structural similarity index (SSIM) are improved by 7.93%, 18.15% and 7.01%, 12.67% respectively on reconstruction image, when compared with the set partitioned in hierarchical tree (SPIHT) and embedded zerotree (EZW) algorithms.Compared with the traditional Faster RCNN algorithm, the recognition accuracy of six species wildlife is respectively improved by 1%, 18%, 5%, 17%, 2% and 19%, and the final mAP value reaches to 92.2% in test set increased by 10.9%, which demonstrates the proposed algorithm can ideally achieve the wildlife intelligent monitoring with WISNs.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يتم تطبيق شبكات استشعار الصور اللاسلكية (WISNs) على نطاق واسع في مراقبة الحياة البرية، لأنها تقدم أداءً أفضل في المراقبة عن بُعد وفي الوقت الفعلي. ومع ذلك، تعاني شبكات استشعار الصور اللاسلكية التقليدية من قيود قدرة المعالجة المنخفضة وقيود استهلاك الطاقة وعرض النطاق الترددي الضيق. للتناقض بين القيود المذكورة أعلاه لشبكات استشعار الصور اللاسلكية وصور مراقبة الحياة البرية ذات الدقة العالية والخلفية المعقدة، نقترح نظام مراقبة ذكي جديد للحياة البرية. على أساس اكتشاف كائن بارز، يتم استخدام شبكة فك التشفير الالتفافية لتحقيق نقل الضغط التدريجي واستعادته صور مراقبة الحياة البرية، والتي تضمن كفاءة الإرسال وجودة جزء الحياة البرية. علاوة على ذلك، للتعامل مع مشاكل كثافة اليد العاملة العالية والكفاءة المنخفضة ودقة التعرف المنخفضة في طريقة الفرز اليدوي الكلاسيكية، يتم اقتراح خوارزمية RCNN محسنة بشكل أسرع على التعرف التلقائي على صور الحياة البرية. تظهر النتائج التجريبية على مجموعة بيانات الحياة البرية الخاصة بنا، أن نسبة إشارة الذروة إلى الضوضاء (PSNR) ومؤشر التشابه الهيكلي (SSIM) قد تحسنت بنسبة 7.93 ٪ و 18.15 ٪ و 7.01 ٪ و 12.67 ٪ على التوالي على صورة إعادة الإعمار، عند مقارنتها بالمجموعة مقسمة في خوارزميات الشجرة الهرمية (SPIHT) وخوارزميات الصفر المضمنة (EZW). بالمقارنة مع خوارزمية RCNN التقليدية الأسرع، يتم تحسين دقة التعرف على ستة أنواع من الحياة البرية على التوالي بنسبة 1 ٪ و 18 ٪ و 5 ٪ و 17 ٪ و 2 ٪ و 19 ٪، وتصل قيمة MAP النهائية إلى 92.2 ٪ في مجموعة الاختبار بنسبة 10.9 ٪، مما يدل على أن الخوارزمية المقترحة يمكن أن تحقق بشكل مثالي المراقبة الذكية للحياة البرية باستخدام WISNs.Translated Description (French)
Les réseaux de capteurs d'images sans fil (WISN) sont largement appliqués à la surveillance de la faune, car ils présentent de meilleures performances en matière de surveillance à distance et en temps réel. Cependant, les WISN traditionnels souffrent des limitations de faible capacité de traitement, de restrictions de consommation d'énergie et de bande passante de transmission étroite. Pour la contradiction entre les limitations ci-dessus des WISN et les images de surveillance de la faune à haute résolution et à fond complexe, nous proposons un nouveau système de surveillance intelligent de la faune. Sur la base de la détection d'objets de saillance, le réseau de codeur-décodeur convolutif est utilisé pour réaliser la transmission et la restauration par compression progressive pour les images de surveillance de la faune, qui garantissent l'efficacité de la transmission et la qualité de la partie faune.En outre, pour faire face aux problèmes d'intensité de travail élevée, de faible efficacité et de faible précision de reconnaissance dans la méthode classique de tri manuel, un algorithme RCNN plus rapide amélioré est proposé sur la reconnaissance automatique des images de la faune.Les résultats expérimentaux de notre propre ensemble de données sur la faune montrent que le rapport signal sur bruit (PSNR) et l'indice de similarité structurelle (SSIM) sont améliorés de 7,93%, 18,15% et 7,01%, 12,67% respectivement sur l'image de reconstruction, par rapport à l'ensemble partitionné en algorithmes d'arbre hiérarchique (SPIHT) et d'arbre zéro intégré (EZW). Comparé à l'algorithme traditionnel Faster RCNN, la précision de reconnaissance de six espèces sauvages est respectivement améliorée de 1 %, 18 %, 5 %, 17 %, 2 % et 19 %, et la valeur finale du mAP atteint 92,2 % dans l'ensemble de tests a augmenté de 10,9 %, ce qui démontre que l'algorithme proposé peut idéalement réaliser la surveillance intelligente de la faune avec les WISN.Translated Description (Spanish)
Las redes inalámbricas de sensores de imagen (WISN) se aplican ampliamente en el monitoreo de vida silvestre, ya que presentan un mejor rendimiento en el monitoreo remoto en tiempo real. Sin embargo, las WISN tradicionales sufren de las limitaciones de baja capacidad de procesamiento, restricciones de consumo de energía y ancho de banda de transmisión estrecho. Por la contradicción entre las limitaciones anteriores de las WISN y las imágenes de monitoreo de vida silvestre con alta resolución y fondo complejo, proponemos un nuevo sistema de monitoreo inteligente de vida silvestre. Sobre la base de la detección de objetos salientes, la red de codificador-decodificador convolucional se utiliza para realizar la transmisión de compresión progresiva y la restauración de imágenes de monitoreo de vida silvestre, que garantiza la eficiencia de transmisión y la calidad de la parte de vida silvestre. Además, para hacer frente a los problemas de alta intensidad de mano de obra, baja eficiencia y baja precisión de reconocimiento en el método de clasificación manual clásico, se propone un algoritmo Faster RCNN mejorado en el reconocimiento automático de imágenes de vida silvestre. Los resultados experimentales en nuestro propio conjunto de datos de vida silvestre, muestran que la relación señal/ruido pico (PSNR) y el índice de similitud estructural (SSIM) mejoran en un 7,93%, 18,15% y 7,01%, 12,67% respectivamente en la imagen de reconstrucción, en comparación con el conjunto particionado en algoritmos de árbol jerárquico (SPIHT) y árbol cero incrustado (EZW). En comparación con el algoritmo RCNN más rápido tradicional, la precisión de reconocimiento de seis especies de vida silvestre mejora respectivamente en un 1%, 18%, 5%, 17%, 2% y 19%, y el valor final de mAP alcanza el 92,2% en el conjunto de pruebas aumentado en un 10,9%, lo que demuestra que el algoritmo propuesto puede lograr idealmente el monitoreo inteligente de la vida silvestre con WISN.Files
08891692.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:a164cff114e535331e4efc9002cdb401
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نقل تدريجي عالي الكفاءة والتعرف التلقائي على صور مراقبة الحياة البرية مع WISNs
- Translated title (French)
- Transmission progressive à haut rendement et reconnaissance automatique des images de surveillance de la faune avec les WISN
- Translated title (Spanish)
- Transmisión progresiva de alta eficiencia y reconocimiento automático de imágenes de monitoreo de vida silvestre con WISN
Identifiers
- Other
- https://openalex.org/W2988364928
- DOI
- 10.1109/access.2019.2951596
References
- https://openalex.org/W1756404205
- https://openalex.org/W1885185971
- https://openalex.org/W1971260286
- https://openalex.org/W1982025193
- https://openalex.org/W1992309968
- https://openalex.org/W2024146866
- https://openalex.org/W2052245719
- https://openalex.org/W2060168915
- https://openalex.org/W2062355251
- https://openalex.org/W2083703003
- https://openalex.org/W2096028341
- https://openalex.org/W2097117768
- https://openalex.org/W2105581333
- https://openalex.org/W2123878056
- https://openalex.org/W2126194992
- https://openalex.org/W2133764833
- https://openalex.org/W2171098181
- https://openalex.org/W2178168466
- https://openalex.org/W2184334976
- https://openalex.org/W2194775991
- https://openalex.org/W2256642932
- https://openalex.org/W2294304967
- https://openalex.org/W2469435191
- https://openalex.org/W2588161033
- https://openalex.org/W2738588019
- https://openalex.org/W2746325398
- https://openalex.org/W2754544136
- https://openalex.org/W2761297278
- https://openalex.org/W2792245367
- https://openalex.org/W2903545558
- https://openalex.org/W2907097116
- https://openalex.org/W2913790388
- https://openalex.org/W2944525610
- https://openalex.org/W2944643774
- https://openalex.org/W2962835968
- https://openalex.org/W2963446712
- https://openalex.org/W2964121744
- https://openalex.org/W3043547428
- https://openalex.org/W3137074406
- https://openalex.org/W4250955649