-
题名融合全域与局域特征的深度卷积网络鸟类种群识别
被引量：6
- 1
-
-
作者
林志玮
丁启禄
刘金福
-
机构
福建农林大学计算机与信息学院
福建农林大学林学院
福建农林大学林学博士后流动站
福建省高校生态与资源统计重点实验室
福建农林大学海峡自然保护区研究中心
中国人民银行福州中心支行
-
出处
《林业科学》
EI
CAS
CSCD
北大核心
2020年第1期133-144,共12页
-
基金
教育部人文社会科学研究项目(18YJCZH093)
福建省林业科学研究项目(KH1701390)
+1 种基金
海峡博士后交流资助计划
中国博士后科学基金面上项目(2018M632565)
-
文摘
【目的】基于鸟类影像数据,探讨全域与局域特征融合手段,结合深度卷积神经网络理论,建构鸟类种群识别模型,以期为森林与湿地的监控与治理提供新的手段。【方法】首先,依据人类识别物体从整体到局部的生理过程,采用跳跃结构实现物体整体信息与局部信息的交互,该模型主要采用2个模型框架提取鸟类的全域和局域部件特征,并采用跳跃结构,提出融合模块(Fusion block)结构进行特征融合,将全局特征信息传递至局部特征抽取模块。该模型训练阶段需提供鸟类局部的部位标注信息,而测试阶段采用Faster R-CNN模型自动提取其鸟类局部标注信息。其次,探讨不同鸟类局部影像信息对模型的影响,最后,通过对比不同网络分类模型和鸟类数据集,验证模型的有效性和适用性。【结果】该鸟类种群分类模型具有较高的分类精度,总体分类精度达90%以上;对于不同的鸟类局部影像信息,其分类精度表现出一定的差异性,其中基于鸟类头部局部影像的网络分类模型总体分类精度最高;Faster R-CNN模型对鸟类局部影像定位精度较高,测试阶段采用人工标注的局部影像标签和Faster R-CNN模型预测的局部影像标签对模型的总体分类精度差异小;对比Inception-V1、Res Net-101、Dense Net-121以及Bilinear CNN等网络分类模型总体分类精度,该模型总体分类精相对较高,具有一定的有效性;对比使用NABirds鸟类数据集的分类效果,该模型总体分类表现较好,具有一定的适用性。【结论】该鸟类种群分类模型具有较好的识别效果以及有效性,可为森林与湿地的监控和治理提供合理有效的依据。
-
关键词
鸟类种群识别
多框架深度神经网络
全域与局域特征
-
Keywords
bird identification
deep convolutional neural network
global and local components
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
S718.63
[自动化与计算机技术—控制科学与工程]
-
