林业科学

作者：张长春,李大方,张军国*

单位：北京林业大学工学院　林木资源高效生产全国重点实验室　林业装备与自动化国家林业和草原局重点实验室　北京100083

关键词：野生动物,Wasserstein距离,相关对齐,迁移学习,图像识别

基金：北京市自然科学基金项目（6244053）；国家自然科学基金项目 (32371874)；中央高校基本科研业务费专项 (BLX202129)；国家林业和草原局林业科技成果推广计划（[2019]04）。

目的: 为解决光照、背景和拍摄尺度等复杂因素对野生动物图像识别准确性的影响。方法: 以野外红外触发相机采集的野生动物图像为对象：1）利用ENA24和NACTI两个公开的野生动物数据集构建包含不相交领域数据集S1和S2，共11个动物类别，包含25 591幅图像；2）针对领域偏移问题，采用ResNet50网络作为特征提取模块构建领域对抗网络，有效减轻了领域偏移；3）引入Wasserstein距离和相关对齐的表征学习网络，建立了基于Wasserstein距离和相关对齐的迁移学习网络，用于特征提取和识别，挖掘迁移性的特征。结果: 采用平均准确率作为评价指标，ResNet50、DDC、DCORAL、DAN、DANN、CDAN、HAN和JTN这8个模型在11种野生动物上的识别表现分别为48.4%、51.6%、49.6%、52.6%、45.2%、50.9%、54.6%和53.5%；在改进残差模块的ResNet50基础上，并引入Wasserstein距离和相关对齐的表征学习网络后，与现有最佳方法相比，11种（类）野生动物的平均准确率提高了2.7%。结论: 基于Wasserstein距离和相关对齐的迁移学习方法在野生动物识别方面的平均准确率达到57.3%；引入Wasserstein距离和相关对齐的表征学习可有效提高野生动物识别模型的准确性。

来源：2024年第8期

《林业科学》期刊编辑部

查看林业科学杂志2024年第8期