用转移学习方法对特有和侵入性外来物种进行爬行动物识别

科学领域:

• 生态生态学 生态生态学
• 计算机科学 计算机科学
• 生物多样性保护 生物多样性保护

背景情况:

• 加拿大群岛是生物多样性的热点,有许多特有爬行动物物种.
• 侵入性外来爬行动物物种对群岛独特的生态系统构成重大威胁.
• 目前的控制方法依赖于零星观测,阻碍了入侵物种的有效管理.

研究的目的:

• 开发一个自动化系统,用于识别在加拿大群岛的本土和入侵爬行动物物种.
• 探索深度学习 (DL) 技术用于爬行动物物种识别的应用.
• 为了解决对加拿大群岛爬行动物缺乏自动识别工具的问题.

主要方法:

• 实施各种神经网络模型,使用转移学习方法.
• 专注于深度学习 (DL) 技术,用于自动识别物种.
• 对不同模型在爬行动物识别中的性能进行评估.

主要成果:

• 该研究成功实施并比较了多个神经网络模型.
• EfficientNetV2B3基本模型在物种识别方面表现出卓越的性能.
• 最好的模型在识别目标爬行动物物种时实现了98.75%的平均准确性.

结论:

• 深度学习为加拿大群岛自动识别爬行动物物种提供了一个有前途的解决方案.
• EfficientNetV2B3模型显示了在保护工作中实际应用的巨大潜力.
• 自动检测系统可以显著改善外来入侵物种的管理,并保护本土生物多样性.