先进的视觉转换器和开放式学习来进行强大的蚊子分类:一种新的方法来对昆虫学研究

科学领域:

• 昆虫学 昆虫学是一门学科.
• 计算机科学 计算机科学
• 公共卫生 公共卫生

背景情况:

• 蚊子传播的疾病是全球主要的健康问题.
• 准确的蚊子分类对于有效的疾病监测和控制策略至关重要.
• 现有的方法在识别各种蚊子物种和新威胁方面可能缺乏稳定性.

研究的目的:

• 开发和评估一个创新的深度学习框架,用于精确的蚊子物种分类.
• 通过使用开放式学习技术,提高模型的适应性和通用性.
• 探索视觉转换器和其他深度学习架构在昆虫学应用中的潜力.

主要方法:

• 使用了最先进的视觉变压器 (Swin变压器,MobileViT) 和卷积神经网络 (Xception).
• 实施了全面的数据增强和预处理技术,用于强大的模型训练.
• 使用OpenMax和Weibull分布应用开放集学习,在推理过程中处理看不见的类.

主要成果:

• 斯温变压器在封闭式分类中实现了99.60%的准确性和0.996个F1分数.
• 移动ViT显示了高精度 (98.90%) 与减少模型复杂性.
• 在开放式学习中,Xception的表现优于变压器模型,用于识别新的昆虫类.

结论:

• 先进的深度学习,特别是视觉转换器,为准确的蚊子分类提供了巨大的潜力.
• 开放式学习增强了模型适应现实世界监控场景的适应性,提高了实际应用性.
• 这项研究为开发昆虫学,载体控制和生态监测的先进工具提供了基础.