58、基于深度学习和决策融合的鸟类物种识别

基于深度学习和决策融合的鸟类物种识别

1. 引言

随着全球生态环境的恶化，鸟类面临着前所未有的威胁。开发自动鸟类识别技术对于保护鸟类和维护地球物种多样性至关重要。基于计算机视觉的鸟类物种识别通常被视为细粒度视觉分类（FGVC）问题，比一般的图像分类问题更为复杂。一般图像分类旨在区分基本类别，如鸟类和狗类；而FGVC则试图区分下属类别，例如区分海鸥和燕鸥，甚至区分北极燕鸥和里海燕鸥。鸟类物种识别是FGVC中最具挑战性的任务之一，因为它具有较高的类内方差（由于姿势、遮挡或视角的变化）和较低的类间方差（由于相似的下属类别）。

近年来，随着图像分类技术的发展，鸟类物种识别作为FGVC问题受到了越来越多的关注。鸟类识别的关键技术之一是目标和部件检测，因为鸟类图像通常包含许多背景信息，而鸟类的判别特征不仅存在于整个图像中，还存在于某些特定的关键部件上。因此，去除背景干扰并找到关键部件至关重要。以下是一些相关的检测方法及其在Caltech - UCSD鸟类数据集（CUB200 - 2011）上的分类准确率：
| 方法 | 分类准确率 |
| ---- | ---- |
| 基于部件的R - CNN | 73.9% |
| 部件堆叠CNN（PS - CNN） | 76.2% |
| 目标 - 部件注意力驱动的判别定位（OPADDL） | 85.8% |

另一个关键技术是特征提取。虽然基于CNN的深度特征在一般图像分类中广泛使用，但一些其他方法在FGVC问题，特别是鸟类物种识别中表现更好。以下是一些特征提取方法及其在CUB200 - 2011上的分类准确率：
| 方法 | 分类准确率 |
| ---- | ---- |