Mar, 2018

利用深度卷积神经网络从数字化标本中识别分类和特征

PDF
TL;DR该研究使用卷积神经网络对数字化后的植物标本图像进行分类和特征提取，取得了良好的分类和识别效果，将有望用于未来的分类学和自然历史收藏管理工具中。
herbarium specimensdigitizationdeep learning algorithmsconvolutional neural networkstaxonomic identification
发现论文，激发创造
  • 基于深度学习的植物器官数字化标注检测

    利用深度学习和 Faster R-CNN 检测数字化标本上的植物器官，有效地提取重要的生物信息。

    Jul, 2020

  • IndoHerb：使用迁移学习和深度学习的印尼草药识别

    在这项研究中，通过使用卷积神经网络的迁移学习方法，从印度尼西亚采集的草药植物图像数据进行数据预处理和分类，并分析了三个模型的测试结果。其中 DenseNet121 模型具有最高的准确率，为 87.4%。

    Aug, 2023

  • 利用系统发育引导的神经网络从图像中发现新的生物特征

    Phylo-NN 是一种无需标签，直接从昆虫图片中提取进化特征序列的方法，对鱼类进行了演示，证明了其用于物种图像生成和物种 - 物种图像转换的有效性。

    Jun, 2023

  • 2019 年植物标本挑战赛数据集

    本研究旨在开发一种自动化方法，利用计算机视觉和深度学习技术帮助专家识别标本以加速植物学研究。为此，提供了一个由专家标记的干燥标本图像数据集用于挑战性场景的自动化识别的发展。

    Jun, 2019

  • 利用非常深的卷积神经网络在相机陷阱图像中识别动物物种，实现野生动物的自动监测

    使用深度卷积神经网络在野外通过摄像监控自动识别动物种类的方法，优于之前的尝试，证明了在摄像监控的图像中，识别可以自动化。

    Mar, 2016

  • 基于图像数据的深度神经网络对林蛙物种及新类别的识别

    我们使用机器学习的原理开发了新的工具来解决物种复合体相关问题，通过将图像分类为已知种群或新类别，并使用深度神经网络成功进行物种分类和检测，以及应用这些方法于物种复合体和真实生物多样性的记录。

    Nov, 2023

  • 生物多样性分析的细粒度识别数据集

    本文介绍了细粒度视觉分类在生物多样性和物种分析领域的挑战性应用，提出了适用于计算机视觉研究的两个具有 675 个高度相似类别的挑战性新数据集，并使用卷积神经网络（CNN）的局部特征呈现了首个结果。最后，我们提出了生物多样性研究中视觉分类领域的新挑战性研究方向清单。

    Jul, 2015

  • 一种用于相机陷阱图像物种识别和计数的深度主动学习系统

    本文提出了一种结合人工智能和人类智能的主动学习系统，能够快速准确地对相机陷阱图像中的动物进行识别和计数，可将手动标注的工作量减少了 99.5% 以上。

    Oct, 2019

  • 利用深度学习在相机陷阱图像中自动识别、统计和描述野生动物

    野生动物种类的自动识别与行为分析是野外生态研究和动物保护的重要技术之一。该研究利用深度卷积神经网络技术，对 320 万张 “快照大草原” 数据集中涵盖的 48 种动物进行识别、计数、行为描述分析，自动提取数据并有效地提高数据分析的效率。

    Mar, 2017

  • 植物幼苗分类的深度卷积神经网络

    本研究使用深度学习技术中的卷积神经网络与传统算法来进行植物幼苗分类，以达到增加农作物产量、提高生产效率与自动化种植的目的。

    Nov, 2018