结合本地浅层特征和全球深层特征来识别.
Qi He1, Qianqian Zhao1, Danfeng Zhao1
1College of Information Technology, Shanghai Ocean University, Shanghai 201306, China.
Animals : an open access journal from MDPI
|September 28, 2023
概括
这项研究引入了一种新的特征融合方法,用于使用卷积神经网络 (CNN) 和支向量机器 (SVM) 识别头足动物的嘴巴. 该HOG+Resnet50方法实现了高精度,有助于头足动物资源管理.
科学领域:
- 海洋生物学 海洋生物学
- 计算生物学 计算生物学
- 生态生态学 生态生态学
背景情况:
- 头足动物对海洋生态系统至关重要,影响资源开发,生态平衡和人类粮食安全.
- 准确的头足动物分类对于可持续的资源管理至关重要,分析是常见的方法.
- 现有的分类方法需要加强,以提高准确性和效率.
研究的目的:
- 开发和评估一种新的特征融合方法,用于准确识别头足动物的.
- 为了比较不同深度学习和传统机器学习模型的性能,用于子分类.
- 通过先进的计算技术,增强头足动物物种的识别.
主要方法:
- 开发了一种特征融合方法,利用卷积神经网络 (CNN) 架构.
- 当地浅层特征,定向梯度 (HOG) 和局部二进制模式 (LBP) 的直方图,通过支持向量机 (SVM) 提取和分类.
- 使用Resnet50模型提取全球深度特征,与HOG和LBP特征融合,然后使用SVM进行分类.
主要成果:
- 特征融合模型展示了多个特征的有效集成,从而提高了子识别精度.
- 通过HOG+Resnet50组合的特征方法实现了最高的分类准确率:上的91.88%和下的93.63%.
- 对比分析显示,特征融合方法的性能优于单个模型.
结论:
- 拟议的特征融合方法显著提高了头足动物尾识别的准确性.
- HOG+Resnet50模型提供了一个强大的,准确的解决方案,用于分类头足动物的.
- 这种方法促进了更有效的鉴定研究,支持头足动物资源管理和保护工作.


