Apr, 2024

基于众包昆虫图像的细粒度分类的计算机视觉算法性能

PDF
TL;DR细粒度分类、物种识别、计算机视觉、深度卷积网络和视觉转换器是本论文的关键词。通过对 9 种算法进行详细评估，论文提供了对昆虫中的细粒度任务解决程度的全面理解，其中视觉转换器在推理速度和计算成本方面表现最佳，而局部性视觉转换器在性能和嵌入质量方面超过其他算法，而卷积神经网络则在指标上具有折中性。
fine-grained classificationspecies recognitioncomputer visiondeep convolutional networksvision transformers
发现论文，激发创造
  • 变形金刚和卷积模型在昆虫细粒度分类中的比较

    在物种鉴定中，细粒度分类是一项具有挑战性的任务。本研究比较了利用转换器层和卷积层的两种深度学习算法在昆虫纲中的表现，发现混合模型在准确性上优于完全卷积模型和完全转换器模型，而完全转换器模型在推断速度上优于其他模型。

    Jul, 2023

  • 探索 Vision Transformers 用于细粒度分类

    研究提出了一种多阶段的 Vision Transformer 框架，用于细粒度图像分类，可在不需要架构变化的情况下定位信息图像区域。 Attention-guided 增强技术提高了模型性能，并在四个流行的细粒度基准测试中进行了实验，同时通过定性结果证明了模型的可解释性。

    Jun, 2021

  • 昆虫分类的低成本机器视觉

    在环境可持续性领域，保护昆虫的数量和多样性是我们社会最重要的目标之一。本研究提出了一种图像方法作为多传感器系统的一部分，该系统是适应传统捕捉器类型的低成本、可扩展、开源系统。研究结果证明，重新训练后的标准 CNN 架构（如 ResNet50 和 MobileNet）在昆虫分类预测任务中表现非常出色，达到了超过 96％的分类准确率。此外，证明了昆虫图像裁剪对于具有高间类相似性的物种分类是必要的。

    Apr, 2024

  • 深度学习用于细粒度图像分析：一份综述

    本研究对最近深度学习在细粒度图像分析技术上的发展进行了系统的调查和总结，主要涵盖了细粒度图像识别、细粒度图像检索和细粒度图像生成等三个主要类别及其相关应用和公共基准数据集。另外，还介绍了一些需要进一步探索的方向和开放性问题。

    Jul, 2019

  • Conviformers: 基于卷积引导的视觉 Transformer

    该论文提出了一种新的分类方法，使用 Conviformer 和 PreSizer 处理高维度植物图像，实现细粒度植物图像分类，最终在 Herbarium 和 iNaturalist 数据集上取得了 SoTA 效果。

    Aug, 2022

  • 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

  • 使用半监督学习和视觉 Transformer 的细粒度分类迁移学习

    本研究探讨了 Semi-ViT，一种使用半监督学习技术微调 ViT 模型的图像分类方法，该方法更适用于缺乏注释数据的情况，特别是在电子商务等领域。我们的研究发现，即使在有限的注释数据的情况下，Semi-ViT 的性能也优于传统卷积神经网络（CNN）和 ViT。这些发现表明，Semi-ViT 在需要精细分类视觉数据的应用领域具有重要的应用前景。

    May, 2023

  • 发挥迁移学习模型的力量进行复杂昆虫检测：革新昆虫分类

    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

  • 野外昆虫识别：AMI 数据集

    昆虫多样性丧失影响生态系统和农业，对昆虫研究提出了大规模机器学习和数据增强等解决方案。

    Jun, 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