Nov, 2023

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

PDF
TL;DR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。
biological systematicstaxonomyspecies complexesmachine learninglimnonectes kuhlii complex
发现论文，激发创造
  • 自动视觉蛾类监测的深度学习流水线：昆虫定位与物种分类

    提供了一个深度学习方法的昆虫监测系统，通过定位和分类识别图像中的蛾子个体来改善物种识别准确率。

    Jul, 2023

  • 利用深度卷积神经网络从数字化标本中识别分类和特征

    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。

    Mar, 2018

  • 利用深度特异性网络解析重叠生物的图像

    本文提出了一种深度前馈的分离网络（SON）方法，能够有效地分离高度重叠的生物图像中的个体对象，并估计中心对象的形状。实验表明该方法可以解析三类流行的模型生物的显微镜图像，同时避免了无需渲染训练图像的高维度配置空间和大量渲染测试时间操作的需求。

    Dec, 2016

  • 动物个体再识别的相似度学习网络 —— 超越人类观察者的能力

    展示了将相似度比较网络应用于动物再识别的能力，同时证明了深度卷积神经网络在不同物种之间具有泛化性能，并通过比较两种相似性比较方法：Siamese 和 Triplet-Loss 以及五个数据集的实验结果，表明 Triplet Loss 的表现要优于 Siamese，在考虑均值平均精度（mAP）@ 1 和 mAP@ 5，并且并不需要进行任何针对特定物种的修改。

    Feb, 2019

  • 香港动物物种分类的主动学习模型

    使用相机陷阱监测动物是生态学家全球使用的一种高效且无创的方法，通过深度学习和计算机视觉的最新进展，可以自动化这一过程，但是在将这些模型应用于世界其他地方独立收集的图像时，存在着泛化性的障碍。在此，我们使用深度主动学习工作流程，并训练一个适用于在香港收集的相机陷阱图像的模型。

    Mar, 2024

  • 深度学习实时识别公民科学数据中的昆虫

    提出一种深度学习模型 InsectNet，以应对昆虫识别在实际环境下的挑战，并能准确识别超过 2500 种节肢动物物种，包括有害害虫、寄生虫、食草动物和掠食动物，并可指导公民科学数据收集。

    Jun, 2023

  • 长尾细粒度皮肤病变图像的 外分布检测

    本文提出了一种更有效的方法以提高对样本外（未知皮肤病变和条件）样本的检测性能，同时维持所知皮肤病变种类的多类分类准确性，并针对长尾和细粒度的 OOD 检测任务构建了一个适当的模型。

    Jun, 2022

  • 深度学习在叶片图像中植物识别和病害分类的应用：多预测方法

    通过对植物病理学方面的当前深度学习方法进行调研和现有机器学习方法的研究，我们提出了一种名为通用堆叠多输出 CNN 的新模型（GSMo-CNN），并在三个基准数据集上进行了大量实验。实验结果表明，InceptionV3 是作为骨干 CNN 的较好选择，其性能优于 AlexNet、VGG16、ResNet101、EfficientNet、MobileNet 和我们开发的自定义 CNN，并证实单一模型的使用可以与或优于使用两个模型。最终，我们展示了提出的 GSMo-CNN 在三个基准数据集上达到了最先进的性能。

    Oct, 2023

  • 利用高分辨率宏观图像的深度学习方法识别木材种类

    本文提出了一种基于基于高分辨率巨观木材图像的深度学习识别方法 (TDLI-PIV methodology)，旨在自动化木材物种识别，克服了传统卷积神经网络在木材识别中面临的挑战。此方法能够捕捉木材的细粒度纹理，并通过协同投票推理过程提高鲁棒性和预测准确性。

    Jun, 2024

  • 利用深度学习自动化细纤维材料显微图像中的木材种类检测与分类

    我们开发了一种用于系统生成大型显微纤维材料的图像数据集的方法，基于此方法，我们生成了用于九种硬木属的图像数据。这是首次通过深度学习自动化识别显微图像中的硬木物种的实质性方法的基础。我们的方法包括一种灵活的管道，用于容易地注释管胞要素。我们比较了不同的神经网络架构和超参数的性能。我们提出的方法与人类专家的表现相似。这将来将改善对全球木纤维产品流动的控制，以保护森林。

    Jul, 2023