DJAN:野生动物图像识别深度联合适应网络
Changchun Zhang1,2,3, Junguo Zhang1,2,3
1School of Technology, Beijing Forestry University, Beijing 100083, China.
Animals : an open access journal from MDPI
|November 14, 2023
概括
深度学习模型在各种环境中难以识别野生动物图像. 一个新的深度联合适应网络 (DJAN) 通过调整模型以适应新的数据集来提高准确性,加强生物多样性监测.
科学领域:
- 生态与自然保护学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 深度学习在野生动物图像识别方面表现出色,但在开放环境中难以进行概括.
- 有效的生物多样性监测依赖于准确的自动化野生动物识别.
研究的目的:
- 开发一个深度联合适应网络 (DJAN),以改善野生动物图像识别的普遍化.
- 解决分布差异,提高野生动物数据集中的特征可转移性.
主要方法:
- 实施了一个转移学习范式,与相关性对齐和条件对抗训练.
- 集成了一个变压器单元来捕捉远程特征关系,以更好地理解图像.
- 在特定的野生动物数据集上评估了DJAN模型.
主要成果:
- DJAN模型在野生动物数据集上取得了最先进的结果.
- 与基线方法相比,在识别11个野生动物物种方面,精度提高了3.6个百分点.
- 展示了个别领域适应模块的增强能力.
结论:
- DJAN模型有效地提高了野生动物图像识别在开放环境中的通用化.
- 提出的方法成功地减轻了分布差异,并提高了模型的可转移性.
- 通过自动化野生动物识别,DJAN为准确和强大的生物多样性监测提供了一个有前途的解决方案.


