鸟类-YOLO:基于修改后的YOLOv11的东廷湖的鸟类检测模型

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 生态监测 生态监测

背景情况:

• 在像东廷湖这样的复杂环境中,鸟类检测面临着背景干扰,各种目标大小和高物种多样性的挑战.
• 现有的模型难以在混乱的自然息地中稳健和准确地检测各种鸟类物种.

研究的目的:

• 开发一种增强的鸟类检测模型,鸟类-YOLO,在具有挑战性的生态环境中提高准确性和稳定性.
• 解决当前鸟类检测系统在环境复杂性和目标可变性方面的局限性.

主要方法:

• 拟议的鸟类-YOLO模型基于YOLOv11框架,结合了EMA全球和本地特征捕获机制.
• 改进的RepNCSPELAN4-ECO模块具有深度可分离的卷积和自适应通道压缩,用于增强特征提取和多尺度融合.
• 网络的部部件被重新设计,采用轻量级的GSConv卷积,以提高计算效率而不会牺牲准确度.

主要成果:

• 与基线YOLOv11n.相比,鸟类-YOLO在CUB200-2011数据集上的回忆率提高了5.0%,mAP@0.5增加了3.5%,与基线YOLOv11n.相比.
• 在DTH-Birds数据集上,该模型显示精度增加了3.7%,回忆增加了3.7%,mAP@0.5.5.增长了2.6%.
• 除研究和比较实验验证了模型在复杂的自然环境中的概括能力和稳定性.

结论:

• 鸟类-YOLO显著提高了鸟类检测性能,在杂乱的环境中显示出卓越的稳定性和准确性.
• 该模型的有效的特征提取和融合能力使其适合在生态监测和保护工作中实际部署.
• 提议的改进为在具有挑战性的现实场景中准确识别鸟类提供了有希望的解决方案.