典型文献
基于迁移学习的中国蛇类识别研究
文献摘要：
蛇在野外广泛分布,不同种类的蛇具有不同的特性,实现蛇的准确识别对保护生物多样性和促进全球健康具有重要意义.为提高传统神经网络模型在蛇类图像上的识别效果,以中国地区常见蛇种作为研究对象,包括金环蛇(Bungarus fasciatus)、银环蛇(B.multicinctus)、圆斑蝰(Daboia russelli siamensis)、尖吻蝮(Deinagkistrodon acutus)、竹叶青(Trimeresurus stejnegeri)和王锦蛇(Elaphe carinata).针对蛇类识别任务的特点,提出改进方案:根据蛇类形态特点,采用合适的数据增强方式扩充数据集;对神经网络模型进行改进,以适应蛇类图像分类任务;训练中采用Adam优化算法,优化模型学习过程;采用迁移学习方式,利用ImageNet数据集上训练得到的权值对模型初始化,并进行微调训练提升模型对蛇类识别任务的高阶特征表达能力.结果表明,改进方案可以有效提升卷积神经网络模型在蛇类图像识别任务上的准确度,在以VGG19、ResNet50、Res-Net101、MobileNetV2和Xception网络为基础的分类模型上,平均识别准确率达到96.08％,可为建立蛇的自动识别系统提供参考.
文献关键词：
蛇类识别;迁移学习;数据增强;微调训练
中图分类号：
作者姓名：
周志斌;罗志聪;张展榜;孙奇燕
作者机构：
福建农林大学机电工程学院, 福州, 350002;福建省农业信息感知技术重点实验室, 福建农林大学机电工程学院, 福州, 350002;福建农林大学计算机与信息学院, 福州, 350002
文献出处：
引用格式：
[1]周志斌;罗志聪;张展榜;孙奇燕-.基于迁移学习的中国蛇类识别研究)[J].野生动物学报,2022(02):436-443
A类：
蛇类识别,multicinctus,Daboia,russelli,Deinagkistrodon,Trimeresurus,stejnegeri,Elaphe,carinata,Net101
B类：
迁移学习,在野,准确识别,全球健康,中国地区,金环蛇,Bungarus,fasciatus,银环蛇,siamensis,acutus,竹叶青,改进方案,形态特点,数据增强,充数,图像分类,分类任务,Adam,模型学习,学习过程,学习方式,ImageNet,练得,权值,初始化,微调训练,特征表达,表达能力,提升卷积神经网络,卷积神经网络模型,图像识别,VGG19,ResNet50,MobileNetV2,Xception,分类模型,识别准确率,自动识别系统
AB值：
0.36461
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
