基于多解剖截面利用深度特征迁移与融合的高级木材树种识别
计算机视觉与模式识别
2024-04-15 v1
摘要
近年来，我们在木材树种识别方面看到了许多进展。DNA 分析、近红外 (NIR) 光谱法和实时直接分析 (DART) 质谱等方法，补充了长期以来确立的基于细胞与组织形态学的木材解剖评估。然而，这些方法大多存在一些局限性，例如成本高、需要熟练专家进行数据解释，以及缺乏用于专业参考的优质数据集。因此，这些方法中的大多数，尤其是木材解剖评估，可能会受益于基于人工智能的工具。在本文中，我们将两种带有卷积神经网络 的迁移学习技术应用于多视图刚果木材树种数据集，该数据集包含来自不同方向且在不同显微镜放大倍数下观察的截面。我们详细探讨了两种特征提取方法，即全局平均池化 和聚合深度激活图随机编码 (RADAM)，以实现高效且准确的木材树种识别。结果表明，我们在多样化数据集和解剖截面上均取得了卓越的准确率，超越了其他方法的结果。我们的提案代表了木材树种识别的重大进展，为支持森林生态系统保护和促进可持续林业实践提供了稳健的工具。
引用
@article{arxiv.2404.08585,
title = {Advanced wood species identification based on multiple anatomical sections and using deep feature transfer and fusion},
author = {Kallil M. Zielinski and Leonardo Scabini and Lucas C. Ribas and Núbia R. da Silva and Hans Beeckman and Jan Verwaeren and Odemir M. Bruno and Bernard De Baets},
journal= {arXiv preprint arXiv:2404.08585},
year = {2024}
}
备注
33 pages, 7 tables, 9 figures