基于CNN变压器架构的野生马图像剥夺
Lili Han1, Xiuping Liu2, Qingqing Wang1
1College of Electronics and Information Engineering, Beibu Gulf University, Qinzhou, Guangxi, China.
Scientific reports
|April 4, 2025
概括
这项研究引入了一种新的深度学习模型,用于消除野生马的图像. 混合CNN-变压器模型有效地重建了关键功能,有助于跟踪和本地化工作.
科学领域:
- 海洋生物学 海洋生物学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 野生马的息地,由于复杂的环境和噪音,对图像捕捉提出了挑战.
- 深度学习,特别是卷积神经网络 (CNN) 和视觉转换器 (ViT),是图像消噪的既定方法.
研究的目的:
- 为野生马图像开发一个有效的图像染模型.
- 加强重建关键功能,以改善跟踪和本地化.
主要方法:
- 开发了一种混合CNN-变压器模型,结合了多头转移的注意力,封闭机制和深度可分离的卷积.
- 为了培训和评估,建立了一个野生马图像数据集.
- 一个线性复杂性的多头转移注意力机制被应用到通道维度.
主要成果:
- 拟议的模型准确地恢复了野生马图像中的关键特征.
- 该模型通过利用全球关系来有效地重建上下文特征.
- 实验结果验证了该模型的质量和功能恢复能力.
结论:
- 开发的CNN-变压器混合模型显著提高了野生马图像的质量.
- 这一进步对于准确跟踪和定位马在它们的自然息地至关重要.
