通过野生动物重识别提升理解
计算机视觉与模式识别
2024-05-21 v1
摘要
我们探索了野生动物重识别领域，通过使用NumPy从头实现MLP、使用Keras实现DCNN以及使用LightGBM构建二进制分类器，以学习完成作业。分析多个模型在多个数据集上的性能。我们尝试复制指标学习中野生动物重识别的先前研究。首先，我们发现使用为分类训练的MLP，然后删除输出层并将第二个隐藏层用作嵌入的策略在类似学习中并不成功；似乎需要针对嵌入设计损失函数，如三角损失。DCNN在某些数据集上表现良好，但在其他数据集上表现不佳，这与先前文献的发现不一致。LightGBM分类器过度拟合，训练和评估所有配对时使用准确率作为指标，其性能并不显著优于常数模型。所使用的技术实现似乎符合标准，根据与文档示例的比较以及在特定数据集上的良好结果来判断。然而，仍需进一步探索如何完全复现以前的文献。
引用
@article{arxiv.2405.11112,
title = {Enhancing Understanding Through Wildlife Re-Identification},
author = {J. Buitenhuis},
journal= {arXiv preprint arXiv:2405.11112},
year = {2024}
}