野生动物目标检测深度学习架构评估：ResNet 与 Inception 的比较研究
计算机视觉与模式识别
2025-12-18 v1
摘要
野生动物目标检测在生物多样性保护、生态监测和栖息地保护中发挥着重要作用。然而，该任务常受到环境变异、物种间视觉相似性以及类内多样性的挑战。本研究探讨了在复杂条件下两种单一深度学习架构 ResNet-101 和 Inception v3 用于野生动物目标检测的有效性。该模型在采用标准化预处理方法进行训练和评估：包括将图像调整至最大尺寸为 800 像素、转换为 RGB 格式，并转换为 PyTorch 张量。采用 70:30 的训练和验证比例用于模型开发。ResNet-101 模型实现了 94% 的分类准确率和 0.91 的平均精度 (mAP)，在提取深层层次特征方面表现出色。Inception v3 模型稍差，达到 95% 的分类准确率和 0.92 的 mAP，归因于其通过并行卷积实现的高效多尺度特征提取。尽管结果良好，但两种模型在检测具有相似视觉特征的物种或在光照不足和遮挡情况下捕获的目标时仍存在挑战。尽管如此，研究结果确认 ResNet-101 和 Inception v3 都是野生动物目标检测任务的有效模型，为以保护为导向的计算机视觉应用提供了可靠的基础。
引用
@article{arxiv.2512.15480,
title = {Evaluation of deep learning architectures for wildlife object detection: A comparative study of ResNet and Inception},
author = {Malach Obisa Amonga and Benard Osero and Edna Too},
journal= {arXiv preprint arXiv:2512.15480},
year = {2025}
}