使用转移学习进行层次图像分类,以提高亚马逊的深度学习模型性能
Jung-Il Kim1, Jong-Won Baek1, Chang-Bae Kim2
1Biotechnology Major, Sangmyung University, Seoul, 03016, South Korea.
Scientific reports
|January 30, 2025
概括
使用深度学习的层次分类显著提高了亚马逊的识别准确性. 这种方法有助于监测野生种群和全球贸易的保护工作.
科学领域:
- 野生动物生物学 野生动物生物学
- 计算机科学 计算机科学
- 机器学习是机器学习.
背景情况:
- 深度学习模型对野生动物分类有希望,有助于人口监测和贸易分析.
- 有限的数据,特别是对于稀有物种,阻碍了最佳的深度学习模型性能.
- 层次分类已经成为一种策略,以提高有限数据集的模型性能.
研究的目的:
- 通过转移学习应用等级分类,以更好地识别亚马逊物种.
- 对亚马逊分类的非等级模型进行对照,评估等级模型的有效性.
主要方法:
- 根据亚马逊的诊断形态特征开发了一个分类层次.
- 员工在等级框架内转移学习技术.
- 使用诸如平均平均精度 (mAP) 等指标评估模型性能.
主要成果:
- 层次模型实现了较高的平均精度 (mAP) 0.944,而非层次模型的mAP为0.908.
- 层次分类在区分形态上相似的亚马逊物种方面表现出更好的准确性.
- 提出的方法有效地解决了有限的野生动物数据带来的挑战.
结论:
- 通过转移学习进行等级分类是识别亚马逊物种的优越方法.
- 这种方法提供了一种有价值的工具,可以加强对野生种群的监测和全球贸易的保护.
- 该研究强调了结构化分类方法在野生动物人工智能应用中的潜力.
