通過野生動物再識別增強理解能力
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
本文介绍了一种使用卷积神经网络(CNN)进行生物信息学任务的方法,包括将甲基基因组数据映射为有意义的 1D 或 2D 图像,用于预测各种疾病。该方法在六个不同的数据集上应用,包括总共 1000 多个来自多种疾病的样本。
Dec, 2017
研究了基于游戏的学习在教育游戏 “Jo Wilder and the Capitol Case” 中的应用,使用 K-Nearest Neighbors (KNN)、Multi-Layer Perceptron (MLP) 和 Random Forest 等机器学习模型预测学生表现,通过适当的数据预处理技术提高非深度学习模型的性能,提供优化教育游戏体验的见解,以促进学生成果和技能发展。
Sep, 2023
这篇研究论文提出了一种基于深度学习和人类协作的相互迭代的方法,能够学习野生动物图像数据的长尾分布,有效提高了相较于现有方法人类注释工作量的减轻程度,并将深度学习由一个相对低效的后注释工具转变为一种始终保持高效模型更新的协作注释工具。
May, 2021
该研究论文介绍了 WildlifeDatasets 工具集,一个开源工具集用于生态学家和计算机视觉 / 机器学习研究人员,它使用 Python 编写,提供了简单直接获取公开的野生动物数据集的方法,并提供了各种数据集预处理、性能分析和模型优化方法。我们在不同的场景和基准实验中展示了该工具集,包括了野生动物再识别数据集和方法的最全面比较,包括了局部描述符和深度学习方法。此外,我们提供了首个针对各种动物个体再识别的基础模型 - MegaDescriptor,该模型在动物再识别数据集上表现优异,超过了 CLIP 和 DINOv2 等预训练模型的性能。为了让该模型对大众可用以及方便集成到任何现有的野生动物监测应用中,我们通过 HuggingFace hub 提供了多个 MegaDescriptor 版本(即 Small、Medium 和 Large)。
Nov, 2023
本文提出了一种非线性局部度量学习方法(NLML),利用局部度量学习和深度神经网络的优点来学习多组非线性转换,通过在转换后的特征子空间中强制正面行人图像对的距离与负面对距离之间的边界,从而有效地利用识别信息,本文通过在公共数据集上进行实验,证明了该方法在人物重新识别方面取得了最先进的结果。
Nov, 2015
本文研究了神经网络在多标签分类中的应用,并提出了一种使用深度学习算法的简单神经网络模型取代 BP-MLL 模型进行文本分类,证明了这些模型在六个不同属性的数据集上具有较好的性能表现。
Dec, 2013
本文提出了一种基于生态学价值自动化分析和检测鸟类物种的专家系统的部署,该系统通过无线声学传感器网络和具有深度学习技术的深度神经网络来实现鸟类的准确分类,并对 VGG16、ResNet50 和 MobileNetV2 这三种深度神经网络的效果进行比较分析,发现 MobileNetV2 的 F1 得分优于 VGG16 而略低于 ResNet50,且模型大小小得多。
Jul, 2022
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
本文提出了一种新的 DML 方法,该方法同时学习骨干网络参数、嵌入空间和每个训练类别在该空间中的多模态分布,通过单一的端到端训练过程优于现有最优方法,不仅在标准的精细化数据集上,而且在少样本目标检测问题上也取得最佳结果,并在基于 ImageNet 的情景基准下提供了一个新的少样本目标检测任务。
Jun, 2018