一种移动混合深度学习方法,用于对亚马逊的3D表示进行分类
Arthur Gonsales da Silva1,2, Roger Pinho de Oliveira2, Caio de Oliveira Bastos1,3
1Departamento de Ciência de Dados, Instituto Tecnológico Vale, Belém, Brazil.
Frontiers in artificial intelligence
|August 28, 2025
概括
一个新的混合机器学习工具使用移动设备上的3D模型对亚马逊物种进行了分类. 这种方法将深度学习与经典模型相结合,用于准确的生物多样性保护和分类识别.
科学领域:
- 生物多样性的保护
- 机器学习在生物科学中的应用
- 分类学识别
背景情况:
- 图像分类对于生物科学至关重要,有助于物种识别和生物多样性保护.
- 现有的方法通常依赖于二维图像,可能缺少形态细节.
- 需要可访问,兼容移动设备的现场识别工具.
研究的目的:
- 开发一种混合机器学习工具来对3D样本进行分类,
- 评估各种深度学习和经典机器学习模型的性能.
- 创建一个可在移动设备上部署的工具,以便在实地使用.
主要方法:
- 使用了来自Museu Paraense Emílio Goeldi (MPEG) 的三个亚马逊物种 (Anolis fuscoauratus,Hoplocercus spinosus,Polychrus marmoratus) 的数据集.
- 为了提取特征,比较了四个人工神经网络 (MobileNet,MobileNetV2,MobileNetV3-小,MobileNetV3-大).
- 在提取的特征上评估了五个经典的机器学习分类器 (SVM,GaussianNB,AdaBoost,KNN,Random Forest).
- 使用McNemar的测试以基于混矩阵的模型性能进行统计比较.
主要成果:
- 性能最好的模型结合了MobileNetV3-Small (特征提取器) 与线性内核支持矢量机 (SVM) 分类器.
- 这种混合型号实现了高精度 (0.955),精度 (0.948),回忆 (0.948) 和F1得分 (0.948).
- 测试模型的性能指标在统计上相似,表明了强度.
结论:
- 使用经典机器学习算法的小型深度学习模型的混合方法对3D物种的分类是有效的.
- 开发的工具适合移动部署,增强现场分类识别.
- 与二维图像分析相比,这种方法利用3D形态特征进行更准确的物种识别.
