机器学习框架用于精确地定位漂白珊瑚,使用混合袋视觉特征分类
Fawad1, Iftikhar Ahmad1, Arif Ullah1
1Department of Computer Engineering, Chosun University, Gwangju, 61452, Republic of Korea.
Scientific reports
|November 9, 2023
概括
研究人员开发了一种强大的方法,使用混合视觉特征和深度学习来定位漂白珊瑚,达到96.20%的准确性. 这项技术通过准确识别大堡礁中的珊瑚漂白,改善了海洋药理学研究.
科学领域:
- 海洋生物学 海洋生物学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 珊瑚礁是重要的水下生态系统,受到温度敏感漂白的威胁.
- 漂白的珊瑚对海洋药理学产生影响,需要精确的定位才能恢复.
- 现有的视觉分类方法在不同的照明,方向,尺度和视角方面存在困难.
研究的目的:
- 为漂白珊瑚开发一种高度耐噪声且不变的局部化方法.
- 提高大堡礁中的漂白珊瑚检测的准确性和可靠性.
- 为了解决当前视觉分类技术的局限性.
主要方法:
- 采用混合的视觉特征袋 (RL-BoHVF) 方法实现了本地化.
- 采用了AlexNet深度神经网络 (DNN) 结合ColorTexture手工制作的功能.
- 采用包装方法来减少尺寸性并增强强性.
主要成果:
- 在来自大堡礁的平衡数据集上实现了96.20%的分类准确度.
- 与现有的独立和混合型号相比,证明了优越的本地化性能.
- 在342张图像上评估了该模型,证实了其在列车和测试段的有效性.
结论:
- 拟议的RL-BoHVF方法在漂白珊瑚定位方面取得了重大进展.
- 混合方法结合了DNN和手工制作的功能,提供了高精度和稳定性.
- 这种技术支持海洋保护和药理学方面的关键研究.
