利用单类分类提升稀有底栖大型无脊椎动物分类单元的识别
计算机视觉与模式识别
2021-01-07 v1 机器学习
图像与视频处理
机器学习
摘要
昆虫监测对于理解快速生态变化的后果至关重要，但分类单元鉴定目前需要繁琐的人工专家工作，无法高效扩展。深度卷积神经网络（CNNs）为显著增加生物监测体量提供了可行途径。然而，分类单元的丰度通常极不均衡，最稀有类别的训练图像数量对深度CNN而言实在过少。结果，稀有类别的样本常被完全漏检，而检测它们具有生物学重要性。本文提出将训练好的深度CNN与单类分类器结合，以改进稀有物种识别。单类分类模型传统上以少得多的样本训练，并能提供一种机制，将可能属于稀有类别的样本标出供人工检视。我们的实验证实，所提方法确实可支持分类单元鉴定任务向部分自动化推进。
引用
@article{arxiv.2002.10420,
title = {Boosting rare benthic macroinvertebrates taxa identification with one-class classification},
author = {Fahad Sohrab and Jenni Raitoharju},
journal= {arXiv preprint arXiv:2002.10420},
year = {2021}
}
备注
5 pages, 1 figure, 2 tables