SPOTS-10：含50,000张32×32灰度图像，专注十种动物图案识别，用于评估机器学习算法。

2024-10-28，由英国林肯大学工程与物理科学学院创建SPOTS-10，数据集主要解决夜间图像中基于动物独特体纹识别的复杂计算机视觉任务，为机器学习算法提供了宝贵的评估资源。

一、研究背景：

动物模式识别，如条纹、斑点或其他标记，在夜间图像中识别动物是一项复杂的计算机视觉任务，对于野生动物研究、生物多样性和保护应用至关重要。现有的图像中动物检测方法常依赖于颜色信息，但在夜间图像中颜色信息往往不可用，这对模式识别构成了挑战。

目前遇到困难和挑战：

1、动物在自然环境中常被植被部分遮挡，增加了识别难度。

2、夜间图像多为灰度，缺乏颜色信息，对计算机视觉方法构成挑战。

3、需要开发能够在夜间条件下通过学习复杂模式来识别动物的机器学习算法。

数据集地址：SPOTS-10|机器学习数据集|动物识别数据集

二、让我们一起来看一下SPOTS-10数据集：

SPOTS-10数据集由50,000张图像组成，分为十个类别，每个类别包含5,000张图像。训练集包含40,000张图像，而测试集包含10,000张图像。该数据集旨在为机器学习算法提供丰富的训练和测试数据，特别是在夜间条件下的动物图案识别。

数据集构建：

数据集的构建历时六个月，研究人员通过网络搜索收集了各种动物的图像，主要使用动物的常见名称和科学名称进行搜索。收集到的图像经过筛选，去除了合成图像和重复图像，并根据物种的广泛名称进行分类。最终提取出90×90的图像补丁，并将其缩小至32×32进行处理。

数据集特点：

1、多样性：涵盖十种不同动物的独特图案，提供丰富的样本。

2、灰度图像：专注于夜间条件下的图像识别，模拟真实环境。

3、高质量：经过严格筛选和预处理，确保数据集的质量和可用性。

基准测试：

使用了多种卷积神经网络（CNN）架构，通过知识蒸馏方法对模型进行训练。测试结果显示，DenseNet121、ResNet101V2等模型在准确性上表现优异，为后续研究提供了参考。

豹子和鬣狗的样本图像部分被植物遮挡。这是动物物种数据集中的常见情况，因为这些动物经常躲起来伏击猎物。因此，唯一可见的识别特征是可以通过灌木丛发现的部分不同标记。

    从 Tiger 类别中随机创建不完全重叠的 90x90 补丁，每个图像最多有 6 个补丁。

    转换管道的可视化：将 RGB 图像转换为灰度，然后应用 0.9 的逆伽玛校正。

显示 SPOT-10 数据集中文件的详细信息，包括名称、描述、样本大小和图像块的大小。

显示 10 个类中每个类的完整数据集中的不同样本，包括类 ID（标签 ID）和类名称。

显示使用各种蒸馏器模型进行的基准实验的结果，在 ImageNet 数据集上报告每个模型的准确性和大小以及基本教师模型，以帮助评估蒸馏器模型。

三、让我们一起来看一下SPOTS-10数据集应用：

比如，我是三江源国家公园的一名野生动物保护区管理员，我的工作之一就是监控和记录公园里的野生动物活动，尤其是那些夜行性动物，比如雪豹、狼这些动物。

以前，我工作主要依赖于传统的监控方法，比如在公园的关键区域设置相机陷阱。这些相机会在夜间自动拍摄经过的动物，但由于夜间图像通常是黑白的，且动物常常被植被遮挡，识别动物的种类变得非常困难。需要花费大量时间逐一查看这些照片，手动识别动物，效率非常低。

随着SPOTS-10数据集的引入，我的工作方式发生了巨大的变化。SPOTS-10数据集包含了50,000张32×32的灰度图像，专注于十种动物的独特图案。这些图像为我们提供了丰富的训练数据，使我们能够训练出一个基于深度学习的动物识别系统。

现在，当我们在公园中设置相机陷阱并捕捉到夜间图像时，这些图像会被自动上传到我们的系统中。系统会利用之前训练好的模型，快速分析这些图像，识别出其中的动物。例如，当一只雪豹经过相机时，系统能够通过识别它的斑点和体态特征，迅速判断出这是雪豹，而不是藏狐或狼。

这种自动化的识别过程大大提高了我的工作效率。我不再需要逐一查看每张照片，而是可以直接获得系统的识别结果。这样，我能够更快地记录和分析动物的活动模式，了解它们的栖息地和行为习惯。

例如，在一次巡护中，我的相机捕捉到了几张夜间图像，系统识别出其中有一只雪豹和一只藏狐在同一地区活动。通过这些数据，我能够分析这两种动物的活动时间和区域重叠情况，从而更好地理解它们的生态关系。

此外，系统还能够帮助我们监测狼的活动。狼作为顶级捕食者，其存在对于维持生态平衡至关重要。通过对狼的活动进行监测，我们可以评估其猎物种群的状态，进而了解整个生态系统的健康状况。

更多免费的数据集，请打开：遇见数据集

https://www.selectdataset.com/