林业科学

作者：林志玮1,2,3,丁启禄6,刘金福1,4,5,*

单位：1. 福建农林大学计算机与信息学院 福州 3500022. 福建农林大学林学院 福州 3500023. 福建农林大学林学博士后流动站 福州 3500024. 福建省高校生态与资源统计重点实验室 福州 3500025. 福建农林大学海峡自然保护区研究中心 福州 3500026. 中国人民银行福州中心支行 福州 350003

关键词：鸟类种群识别,多框架深度神经网络,全域与局域特征

基金：教育部人文社会科学研究项目(18YJCZH093);福建省林业科学研究项目(KH1701390);海峡博士后交流资助计划;中国博士后科学基金面上项目(2018M632565)

目的: 基于鸟类影像数据，探讨全域与局域特征融合手段，结合深度卷积神经网络理论，建构鸟类种群识别模型，以期为森林与湿地的监控与治理提供新的手段。方法: 首先，依据人类识别物体从整体到局部的生理过程，采用跳跃结构实现物体整体信息与局部信息的交互，该模型主要采用2个模型框架提取鸟类的全域和局域部件特征，并采用跳跃结构，提出融合模块（Fusion block）结构进行特征融合，将全局特征信息传递至局部特征抽取模块。该模型训练阶段需提供鸟类局部的部位标注信息，而测试阶段采用Faster R-CNN模型自动提取其鸟类局部标注信息。其次，探讨不同鸟类局部影像信息对模型的影响，最后，通过对比不同网络分类模型和鸟类数据集，验证模型的有效性和适用性。结果: 该鸟类种群分类模型具有较高的分类精度，总体分类精度达90%以上；对于不同的鸟类局部影像信息，其分类精度表现出一定的差异性，其中基于鸟类头部局部影像的网络分类模型总体分类精度最高；Faster R-CNN模型对鸟类局部影像定位精度较高，测试阶段采用人工标注的局部影像标签和Faster R-CNN模型预测的局部影像标签对模型的总体分类精度差异小；对比Inception-V1、ResNet-101、DenseNet-121以及Bilinear CNN等网络分类模型总体分类精度，该模型总体分类精相对较高，具有一定的有效性；对比使用NABirds鸟类数据集的分类效果，该模型总体分类表现较好，具有一定的适用性。结论: 该鸟类种群分类模型具有较好的识别效果以及有效性，可为森林与湿地的监控和治理提供合理有效的依据。

来源：2020年第1期

《林业科学》期刊编辑部

查看林业科学杂志2020年第1期