隨著城市擴張不斷侵佔自然棲息地，全球生物多樣性面臨嚴重威脅，尤其對於依賴森林環境的樹棲物種而言，棲息地破碎化已成為關鍵生存挑戰。棕吼猴（Alouatta guariba）作為南美洲典型的樹棲靈長類動物，在森林斑塊間的移動往往面臨更高的死亡率，這給其保護工作帶來了巨大壓力。為了緩解這一問題，生態保護學家提出在道路或開闊區域上方安裝樹冠橋，為動物提供安全的通行路徑。然而，這些橋樑的實際使用效果需要透過持續監測來驗證。傳統監測手段主要依賴相機陷阱，但這一方法會產生大量不相關的影像，其中絕大多數為假陽性——即影像中並未包含目標物種。保護主義者需要花費大量時間逐一審查這些影像，這大大降低了監測效率。
為了解決這一瓶頸，來自巴西的研究團隊嘗試將計算機視覺技術引入野生動物監測流程。他們在最新發表的研究中，採用YOLOv10目標檢測框架，開發了一種能夠自動識別相機陷阱影片中棕吼猴的演算法。研究過程中，團隊面臨了一個常見挑戰：訓練準確的目標檢測模型通常需要大量已標註的目標動物影像。為此，他們創新性地測試了引入輔助資料（包括其他場景下的猴類影像）來補充訓練集，並探索了不同比例輔助資料對模型效能的影響。透過微調YOLOv10的超引數和網路結構，他們成功構建了適用於棕吼猴檢測的高效模型。
實驗結果表明，融合輔助資料可顯著提升檢測精度，尤其在訓練樣本有限的情況下。這一自動化檢測技術不僅能夠大幅減少人工篩選假陽性影像的時間，還能實現對樹冠橋使用頻率、時段等關鍵指標的連續跟蹤。研究人員強調，該技術並非要完全取代人力，而是作為輔助工具，讓保護主義者能夠將精力集中在更復雜的資料分析和保護決策上。此項研究已被2026年國際計算機動畫、社會智慧體與擴充套件現實會議（CASAXR 26）收錄，標誌著計算機視覺在野生動物保護領域的應用邁出了重要一步。未來，團隊計劃進一步最佳化模型，使其適應更多樹棲物種的監測需求，為全球生物多樣性保護提供技術支援。