ivdon3@bk.ru
В этом исследовании представлен эффективный метод, основанный на зрении, для точной идентификации видов хищников по изображениям с камер-ловушек в охраняемых районах Уганды. Для решения проблем обнаружения объектов в естественной среде мы предлагаем новую многофазную архитектуру глубокого обучения, которая сочетает в себе извлечение различных признаков с концентрированным обнаружением краев. По сравнению с предыдущими подходами, наш метод обеспечивает точность классификации на 90,9%, что значительно сокращает количество обучающих рекламных выборок, выполняемых вручную. Фоновые пиксели были систематически отфильтрованы для улучшения работы модели в различных условиях окружающей среды. Эта работа является достижением как в области биологии, так и в области компьютерного зрения, демонстрируя эффективный и ориентированный на данные подход к автоматизированному мониторингу дикой природы, который поддерживает научно обоснованные меры по сохранению.
Ключевые слова: глубокое обучение, фотоловушка, сверточная нейронная сеть, набор данных, хищник, национальный парк Кидепо, дикая природа
В этой статье представлена техническая реализация сверточной цифровой сетевой системы распознавания лиц, которая способна работать в различных сценариях, таких как перекрытие, изменение угла обзора и поворот камеры. были проанализированы различные алгоритмы идентификации лиц с целью разработки модели, которая могла бы идентифицировать лица под разными углами. Система была экспериментально проверена на различных наборах данных и сравнена с ее точностью, скоростью обработки и устойчивостью к воздействию окружающей среды. Результаты показывают, что оптимизированная структура нашей сверточной нейронной сети обеспечивает точность более 90% в нормальных условиях и сохраняет достойную производительность при частичной окклюзии.
Ключевые слова: распознавание лиц, сверточные нейронные сети, модель, извлечение признаков, глубокое обучение, распознавание лиц, изображение
Это исследование является свидетельством потенциала сверточных нейронных сетей при активации softmax для классификации образцов богомола, медоеда и ласки. Модель была способна давать точные прогнозы с низким уровнем ошибок в классификации и обладала потенциалом для уменьшения различий в окружающей среде за счет минимизации их с помощью увеличения объема данных. Исследование показывает, как сети глубокого обучения можно было бы использовать для автоматизации таксономической классификации, что, в свою очередь, помогло бы идентифицировать виды с помощью изображений и крупномасштабного природоохранного мониторинга.
Ключевые слова: глубокое обучение, машинное обучение, сверточные нейронные сети, набор данных, функция softmax, классификация изображений, дикая природа, расширение данных