Классификация изображений оперения для определения видовой принадлежности птиц

Классификация изображений оперения для определения видовой принадлежности птиц

Автор: Белько Алина Вадимовна, Добратулин Константин Сергеевич, Кузнецов Андрей Владимирович

Журнал: Компьютерная оптика @computer-optics

Рубрика: Обработка изображений, распознавание образов

Статья в выпуске: 5 т.45, 2021 года.

Бесплатный доступ

В работе исследуется возможность применения нейронных сетей для классификации изображений оперения с целью определения видовой принадлежности птиц. Таксономическая идентификация птиц по перу широко применяется в авиационной орнитологии для анализа столкновений с летательными аппаратами и разработки методов их предотвращения. В данной статье производится обучение на основе набора данных с фотографиями оперения птиц. Проводится сравнение классификаторов, обученных на четырех выборках из исходного набора данных. Предлагается метод идентификации птиц по изображениям с реальными данными на основе нейронных сетей YoloV4 и моделей группы DenseNet. Проведенная экспериментальная оценка показала, что предложенный метод позволяет определить видовую принадлежность птицы по фотографии отдельного пера с точностью до 81,03 % для точной классификации и с точностью 97,09 % для первых пяти предсказаний классификатора.

Еще

Машинное зрение, распознавание образов, сверточные нейронные сети, авиационная орнитология

Короткий адрес: https://sciup.org/140290272

IDR: 140290272   |   DOI: 10.18287/2412-6179-CO-836

Список литературы Классификация изображений оперения для определения видовой принадлежности птиц

  • Soldatini, C. An ecological approach to birdstrike risk analysis / C. Soldatini, V. Georgalas, P. Torricelli, Y.V. Albores-Barajas // European Journal of Wildlife Research. - 2010. - Vol. 56, Issue 4. - P. 623-632.
  • Yang, R. Using DNA barcodes to identify a bird involved in a birdstrike at a Chinese airport / R. Yang, X.B. Wu, P. Yan, X.Q. Li // Molecular Biology Reports. - 2010. -Vol. 37, Issue 7. - P. 3517-3523.
  • Belko, A. Feathers dataset for fine-grained visual categorization / A. Belko, K. Dobratulin, A. Kuznetsov // Proceedings of SPIE. - 2020. - Vol. 11605. - 1160518. - DOI: 10.1117/12.2588386.
  • Berg, T. Birdsnap: Large-scale fine-grained visual categorization of birds / T. Berg, J. Liu, S.W. Lee, M.L. Alexander, D.W. Jacobs, P.N. Belhumeur // 2014 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). - 2014. - P. 2019-2026.
  • Fu, J. Look closer to see better: Recurrent attention convo-lutional neural network for fine-grained image recognition / J. Fu, H. Zheng, T. Mei // 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). - 2017. -P. 4476-4484.
  • Araujo, V.M. Fine-grained hierarchical classification of plant leaf images using fusion of deep models / V.M. Araujo, A.S. Britto, A.L. Bran, L.E.S. Oliveira, A.L. Koerich // 2018 IEEE 30th International Conference on Tools with Artificial Intelligence (ICTAI). - 2018. -P. 4476-4484.
  • Yang, L.J. A large-scale car dataset for fine-grained categorization and verification / L.J. Yang, P. Luo, C.C. Loy, X. Tang // 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) - 2015. - P. 3973-3981.
  • Hou, S.H. VegFru: A domain-specific dataset for finegrained visual categorization / S.H. Hou, Y.S. Feng, Z.L. Wang // 2017 IEEE International Conference on Computer Vision (ICCV). - 2017. - P. 541-549.
  • Dai, X.Y. Efficient fine-grained classification and part localization using one compact network / X.Y. Dai, B. Southall, N. Trinh, B. Matei // 2017 IEEE International Conference on Computer Vision Workshops (ICCVW 2017). - 2017. - P. 996-1004.
  • Zhao, B. A survey on deep learning-based fine-grained object classification and semantic segmentation / B. Zhao, J.S. Feng, X. Wu, S.C. Yan // International Journal of Automation and Computing. - 2017. - Vol. 14, Issue 2. -P. 119-135.
  • Priyadharshini, P. Hyperspectral image classification using MLL and Graph cut methods / P. Priyadharshini, K. Thilagavathi // Proceedings of 2016 Online International Conference on Green Engineering and Technologies (IC-GET). - 2016. - P. 1-6.
  • Pandey, M. Scene recognition and weakly supervised object localization with deformable part-based models / M. Pandey, S. Lazebnik // 2011 IEEE International Conference on Computer Vision (ICCV). - 2011. - P. 1307-1314.13. Silla, C.N. A survey of hierarchical classification across different application domains / C.N. Silla, A.A. Freitas // Data Mining and Knowledge Discovery. - 2011. - Vol. 22, Issues 1-2. - P. 31-72.
  • Krause, J. The unreasonable effectiveness of noisy data for fine-grained recognition / J. Krause, B. Leibe, J. Matas. - In: Computer vision - ECCV 2016, Part III / ed. by B. Leibe, J. Matas, N. Sebe, M. Welling. -Springer International Publishing AG, 2016. - P. 301320.
  • Mitchell, R. Web scraping with Python: Collecting data from the Modern Web / R. Mitchell. - Sebastopol: O'Reilly Media, 2015. - 256 p.
  • Глумов, Н.И. Обнаружение и распознавание объектов на изображениях / Н.И. Глумов, В.В. Мясников, В.В. Сергеев. - Самара: Изд-во Самар. ун-та, 2010. - 141 с.
  • Zhu, Q.F. Study on the evaluation method of sound phase cloud maps based on an improved YOLOv4 algorithm / Q.F. Zhu, H.F. Zheng, Y.B. Wang, Y.G. Cao, S.X. Guo // Sensors. - 2020. - Vol. 20, Issue 15. - 4314.
  • Redmon, J. You only look once: Unified, real-time object detection / J. Redmon, S. Divvala, R. Girshick, A. Farhadi // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). - 2016. - P. 779-788.
  • Sarkar, D. Hands-on transfer learning with Python / D. Sarkar, R. Bali, T. Ghosh. - Birmingham: Packt Publishing, 2018. - 440 p.
  • Lin, T.-Y. Microsoft COCO: common objects in context / T.Y. Lin, M. Maire, S. Belongie, J. Hays, P. Perona, D. Ramanan, P. Dollar, C.L. Zitnick. - In: Computer vision - ECCV 2014, Part V / ed. by D. Fleet, T. Pajdla, B. Schiele, T. Tuytelaars. -New York: Springer, 2014. - P. 740-755.
  • Международный кодекс зоологической номенклатуры, принятый XV Международным зоологическим конгрессом / пер. на рус. яз. Д.В. Обручева; Академия наук СССР, Отделение общей биологии. — М.-Л.: Наука, 1966. - 100 с.
  • Huang, G. Densely connected convolutional networks / G. Huang, Z. Liu, L. Van Der Maaten // 30th IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2017). - 2017. - P. 2261-2269.
  • Valev, K A systematic evaluation of recent deep learning architectures for fine-grained vehicle classification / K. Valev, A. Schumann, L. Sommer, J. Beyerer // Proceedings of SPIE. - 2018. - Vol. 10649. - 1064902.
  • Everingham, M. The PASCAL visual object classes (VOC) challenge / M. Everingham, L. Van Gool, C.K.I. Williams, J. Winn, A. Zisserman // International Journal of Computer Vision. - 2010. - Vol. 88. - P. 303-338.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp