基于深度学习的海图像分类,使用对象检测和实例细分模型

科学领域:

• 海洋生物学 海洋生物学
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 海是高度迁徙的,居住在不同的环境中,这使得人口监测变得困难.
• 深度学习 (DL) 模型,特别是对象检测,对野生动物监测有希望,但在复杂的背景下扎.
• 与传统的对象检测相比,实例细分模型为复杂的图像分类提供了更高的准确性.

研究的目的:

• 为了比较YOLOv5 (物体检测) 和YOLOv5-seg (实例细分) 在检测和分类海方面的性能.
• 为了评估这些DL模型在具有挑战性的复杂图像数据集中的有效性.

主要方法:

• 使用来自iNaturalist和谷歌的图像数据集,分为培训 (64%),验证 (16%) 和测试 (20%) 集.
• 采用YOLOv5进行物体检测和YOLOv5-seg进行细分,以识别海.
• 使用损失函数和平均平均精度 (mAP) 指标评估模型性能.

主要成果:

• 根据损失函数,与YOLOv5相比,YOLOv5-seg在检测中表现出较低的错误率.
• YOLOv5-seg模型表现出优异的性能,其mAP值 (mAP0.5: 0.918,mAP0.5: 0.95: 0.831) 比YOLOv5 (mAP0.5: 0.885,mAP0.5: 0.95: 0.795) 的值更高.
• 实例细分 (YOLOv5-seg) 在复杂的图像中更有效地检测和分类海.

结论:

• YOLOv5-seg为海的检测和分类提供了更高的精度,特别是在具有挑战性的水下或复杂的背景图像中.
• 这项研究强调了实例细分模型的潜力,可以显著改善野生动物监测工作.
• 这些发现可以为更强大,更有效的海保护和管理策略做出贡献.