岐阜大，深層学習で画像データから野生動物を抽出

岐阜大学の研究グループは，深層学習（Deep Learning）の技術と10万枚を超えるカメラトラップ（自動撮影装置）画像を用いて，撮影された野生動物の在不在，種および頭数を判別することに成功した（ニュースリリース）。

近年，日本国内では，野生動物と人間との軋轢が非常に大きな社会問題となっており，野生動物の生息状況や加害状況のモニタリングにカメラトラップによる調査も採用されている。しかし，カメラトラップからは大量の画像データが得られるため，調査者の目視による画像判別作業が画像取得量に追いつかなくなることが新たな問題となってきている。

研究では深層学習による画像判別の技術を用いて，カメラトラップ画像を判別するモデルを構築することを試みた。ResNetと呼ばれる構造のモデルをベースとし，カメラトラップ画像における動物の在不在，種判別および頭数推定を同時に行なう深層畳み込みニューラルネットワーク（DCNN）モデルを構築し，117,457枚のカメラトラップ画像を用いて，モデルの学習～評価を行なった。

なおこの研究では，特に撮影頻度が高く，また国内での保護管理上で対象となることの多いニホンジカ，イノシシ，カモシカおよびツキノワグマの4種に関して，モデルの判別結果を評価した。

その結果，研究で構築したモデルは，在不在について検出精度99%を担保しつつ，過検出率を15.7%に抑えることができた。また，在と判別された画像について調査者が目視で確認する場合，確認の必要な画像枚数は全体の43.3%まで削減できることが示されたという。

種判別について，モデルが判別した動物種の正答率は，ニホンジカ79.6%，イノシシ76.4%，カモシカ82.1%およびツキノワグマ76.6%だった。頭数推定について，在不在および種判別に正答した画像に対する頭数の正答率は，ニホンジカ91.9%，イノシシ84.4%，カモシカ91.6%，およびツキノワグマ86.4%だった。

以上の結果から，深層学習による画像判別の技術は，カメラトラップ画像からの動物の在不在，種判別および頭数推定において調査者の画像判別作業を削減する有用なツールとなり得ることが示されたとする。

研究グループは，今後はより実用的なモデルの構築を目指し，モデルによる判別精度の向上を図るとともに，全く異なる地点に設置されたカメラトラップでの撮影画像の判別精度についても検討を進める。また，この研究を皮切りに，野生動物のカメラトラップによる調査・モニタリングにおいて深層学習の技術が活用されることが期待されるとしている。