基于迁移学习的中国蛇类识别研究

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.

关键词：蛇类识别、迁移学习、数据增强、微调训练

所属期刊栏目：43

分类号：Q958.1;TP391.4(动物学)

资助基金：国家自然科学基金;海峡博士后交流资助计划项目

在线出版日期：2022-06-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：436-443