鸟类物体检测:数据集构建,模型性能评估和模型轻量化
Yang Wang1,2, Jiaogen Zhou2, Caiyun Zhang2
1Department of Computer Science and Technology, Tongji University, Shanghai 201804, China.
Animals : an open access journal from MDPI
|September 28, 2023
概括
研究人员开发了最大的鸟物检测数据集 (GBDD1433-2023),以改善鸟类识别和现场调查. 双阶段模型表现出色,新的轻量级方法提高了鸟类识别的离线部署.
科学领域:
- 计算机视觉 计算机视觉
- 鸟类学 鸟类学是一门学科.
- 机器学习 机器学习
背景情况:
- 对象检测有助于鸟类识别和现场调查.
- 缺乏专门的鸟类数据集和基准标准阻碍了进步.
研究的目的:
- 构建最大的鸟类物体检测数据集 (GBDD1433-2023).
- 评估用于鸟类识别的主流物体检测模型.
- 提出用于鸟类检测的轻量级模型.
主要方法:
- 创建了GBDD1433-2023,包含1433个物种和148,000张图像.
- 与八个物体检测模型进行了比较,包括Faster R-CNN和Cascade R-CNN.
- 开发了一种适应性局部化蒸,用于轻型模型.
主要成果:
- 两阶段模型实现了73.7%的mAP,优于单阶段模型.
- 两阶段模型显示出更好的稳定性,以缩放和背景变化.
- 鸟类计数的准确性显著下降,超过每张图像的五只鸟.
结论:
- GBDD1433-2023数据集支持鸟类物体检测研究.
- 双阶段模型对于鸟类检测任务是优越的.
- 带有蒸的轻量级模型适用于离线鸟类识别.
