基于深度迁移学习的野生动物监测图像跨域识别方法

在复杂环境下,探究深度迁移学习模型野生动物监测图像识别的有效网络构建方式,以提高野生动物监测图像识别准确率。以野生动物监测图像为研究对象并构建深度迁移学习数据集,提出一种基于联合迁移网络的迁移学习模型用于野生动物图像识别。相较于常规的深度学习识别方法(ResNet50)、三种常见的深度迁移学习识别方法[最大均值差异(MMD)、深度对抗神经网络(DANN)、条件对抗域适应网络(CDAN)],本研究提出的基于联合迁移网络的迁移学习方法对野生动物识别的平均准确率为 53.5%。与ResNet50 识别结果相比,本研究构建的迁移学习模型平均识别准确率提高 5.1%;与MMD、DANN和CDAN识别结果相比,平均识别准确率分别提高 1.9%、6.3%、2.6%。然而,在实际野外图像采集场景中的应用仍需要进行更深入的研究。本研究提出的基于联合迁移网络的迁移学习模型能够高效对野生动物监测图像进行识别,可有效提高野生动物识别的准确率。