模型更新策略研究关于使用转移学习和NIR光谱学识别丝虫的性别识别

科学领域:

• 机器学习 机器学习
• 养殖 养殖 养殖
• 频谱学是一种光谱学.

背景情况:

• 在丝虫幼虫中,准确的性别歧视对于高效的丝生产至关重要.
• 现有的方法与新物种作斗争,需要大量的数据进行再培训.

研究的目的:

• 开发一种新的模型更新策略,SilkwormNet,以便在新物种中有效地对丝虫进行性别歧视.
• 通过有限的数据和已建立的模型来提高分类准确性.

主要方法:

• 丝虫网集成了ResNet,多头注意力和无日程优化.
• 通过初始光谱数据建立一个初级模型.
• 模型更新使用从基本模型中获得最佳权重的未结的特征层和分类头.
• 统一的多重近似和投影 (UMAP) 和混矩阵用于评估.

主要成果:

• SilkwormNet在更新了仅20%的新物种数据后,实现了高精度 (高达100%).
• 精度的提高是显著的,例如,从50%到99.22%的品种871B_463.3.
• 即使使用10%的数据,准确度也在90.62%至95.31%之间.
• 丝虫网络的性能优于支持向量机 (SVM),随机森林和1D卷积神经网络 (1D-CNN).

结论:

• 丝虫网 (SilkwormNet) 提供了一种高效和数据效率的方法,用于更新新的丝虫幼虫物种的性别歧视模型.
• 与传统方法相比,该战略显著提高了分类性能.