基于卷积神经网络的伊蚊物种识别Android应用mAedesID
此研究探讨了卫星图像中的景观特征在感染病预测模型中的应用,通过采用卷积神经网络从卫星数据中提取并标记的景观特征,结合巴基斯坦的登革热病例数据与SIR疫情模型,发现卫星图像中的景观特征能够显著提高疾病爆发的预测能力,对主动和战略性的监测和控制计划非常重要。
Apr, 2019
本研究介绍了视觉变换器在 Aedes 和 Culex 幼虫图像分类中的应用,并比较了两个 ViT 模型、两个 CNN 模型的效果,最终发现 ConvNeXT 对于蚊虫幼虫分类非常有效,未来的研究方向包括将 CNN 和 Transformer 架构相结合创建专门用于蚊虫幼虫分类的模型。
Sep, 2022
本文提出智能手机应用程序是便宜易部署的解决方案,用于提高人们对埃及伊蚊大量繁殖的认识,并提出了一个可用于检测和跟踪Ae. aegypti蚊子的卷积神经网络算法,并提供了一个基于翅拍声音记录的数据集。
Jun, 2023
本研究提出了一种基于人工智能的方法来对埃及伊蚊的神经尖峰进行分类,通过归一化、特征重要性和降维等预处理方法,结合卷积神经网络和额外的梯度提升树算法(XGBoost)来分类,该方法表现出优秀的性能,并在区分感染与未感染蚊子样本方面优于其他机器学习算法的性能,可以协助破解病原体和蚊子之间复杂的相互作用。
Dec, 2023
设计、开发和测试了一种名为MosquIoT的创新系统,该系统基于传统的卵捕器,嵌入了物联网和微型机器学习技术,能够检测和量化埃及伊蚊的卵,并帮助实现从当前的反应性昆虫学监测模式到主动性和预测性数字模式的转变。
Jan, 2024
本研究提出了一个新的数据集,其中包括野外和实验室的蚊子卵以及三个应用于该任务的神经网络(Faster R-CNN,Side-Aware Boundary Localization和FoveaBox)的测试结果,用于自动化计数蚊子卵的任务。
Mar, 2024
本文介绍了一种综合方法,利用MosquitoFusion多类别数据集和先进的计算机视觉技术实现实时蚊虫检测,并通过预训练的YOLOv8模型和地理信息系统(GIS)的集成分析,提供了有关空间模式的宝贵见解。
Apr, 2024
通过整合状态空间模型(SSMs)、卷积神经网络(CNNs)、多头自注意机制(MSA)和多层感知机(MLPs)在Mix-SSM块中的方法,我们引入了InsectMamba,这个创新方法促进了对综合视觉特征的提取,以及利用选择性模块,增强了识别害虫特征的能力。对InsectMamba在五个昆虫害虫分类数据集上的评估结果表明其性能优异,并通过消融研究验证了每个模型组件的重要性。
Apr, 2024
通过使用计算机视觉和机器学习等先进技术,本研究构建并评估了基于ResNet152V2架构的卷积神经网络模型,实现了99%的训练准确率和97%的测试准确率,突出了其在昆虫分类和昆虫学研究中的潜力,以及对全球粮食安全和农业生产的重要作用。
Jun, 2024
本研究解决了全球公共健康中蚊虫相关疾病对高效准确蚊子分类的迫切需求。通过结合先进的视觉变换器和开放集学习技术,提出了一种新的框架,使十种蚊子物种的识别变得更加稳健和精确。研究结果表明,该方法在蚊虫监测和生态监测领域具有重要的应用潜力。
Aug, 2024