基于 ResNet-50 与 VGG-16 迁移学习对雄性 Nyala 与雄性 Kudu 分类的比较
计算机视觉与模式识别
2023-11-13 v1 计算机与社会
摘要
可靠高效的野生动物监测对于为管理和保护决策提供信息至关重要。手动识别动物物种的过程耗时、单调且昂贵。借助深度学习和计算机视觉的进展，我们在本文中研究了预训练模型，特别是 VGG-16 和 ResNet-50 模型，在其自然栖息地中识别雄性 Kudu 和雄性 Nyala 的效率。这些预训练模型已被证明总体上在动物识别中高效。然而，关于如 Kudu 和 Nyala 这类通常伪装良好且特征相似的动物的研究很少。本文使用的迁移学习方法是微调方法。模型在微调前后均被评估。实验结果在微调前分别达到 VGG-16 和 ResNet-50 模型 93.2% 和 97.7% 的准确率，微调后两个模型均为 97.7%。尽管这些结果令人印象深刻，但应注意它们来自 550 张图像的小样本量，两类各占一半；因此，这可能未涵盖足够场景以对模型效率得出完整结论。故在获取更大数据集以及测试和扩展到这些物种的雌性与整个羚羊物种方面仍有更多工作空间。
引用
@article{arxiv.2311.05981,
title = {Comparing Male Nyala and Male Kudu Classification using Transfer Learning with ResNet-50 and VGG-16},
author = {T. T Lemani and T. L. van Zyl},
journal= {arXiv preprint arXiv:2311.05981},
year = {2023}
}